De atletas a desarrolladores de GenAI: Intel afronta los retos del mundo real con sistemas de IA.

Intel empodera a los desarrolladores de GenAI y a los atletas de todo el mundo con sistemas de IA abiertos y accesibles.

La tercera versión de Gaming ExChange by Intel en Colombia, una iniciativa que busca contribuir al manejo adecuado de los residuos electrónicos en el país, ha iniciado este 1 de julio y finaliza el 31 de Julio. A la mitad de su desarrollo la iniciativa a demostrado ser una gran muestra de la importancia de fomentar el reciclaje y la responsabilidad ambiental entre los usuarios de tecnología. Hasta el momento, se ha logrado la recolección de más de 500 dispositivos electrónicos entre portátiles, computadores de escritorio, consolas de videojuegos, tablets y periféricos. La gran mayoría recolectadas en la ciudad de Bogotá.

Intel comparte hoy interesantes detalles sobre su colaboración con el Comité Olímpico Internacional (COI) y sobre una innovadora solución de IA generativa (GenAI) para la generación aumentada por recuperación (RAG, por sus siglas en inglés). Estos anuncios demuestran cómo los sistemas y plataformas abiertos de IA que utilizan los aceleradores de IA Intel® Gaudi® y los procesadores Intel® Xeon® ponen el poder en manos de desarrolladores y empresas para afrontar los retos creados por el auge de la IA.

“A través de nuestra colaboración con el Comité Olímpico Internacional, estamos demostrando nuestra dedicación para hacer accesible la IA. Estamos fomentando un campo de juego abierto que alienta la innovación, la creatividad y permite a los desarrolladores y a las empresas crear soluciones de IA a medida que generen resultados tangibles. Al adoptar un ecosistema abierto y colaborativo, Intel está transformando las formas de ayudar a nuestros atletas y ampliando los límites de lo que es posible con nuestros clientes.” Justin Hotard, vicepresidente ejecutivo de Intel y director general de Data Center y Artificial Intelligence Group

Cómo funciona Athlete365: la clasificación para los Juegos Olímpicos es sólo el principio para los atletas. Para ayudar a unos 11.000 atletas de diferentes idiomas y culturas a desplazarse por las instalaciones y cumplir las normas y directrices, el COI colaboró con Intel para desarrollar un chatbot, Athlete365. Una solución RAG impulsada por aceleradores Intel Gaudi y procesadores Xeon, Athlete365 es capaz de gestionar las consultas e interacciones de los atletas y proporcionar información a petición durante la estancia de los atletas en la Villa Olímpica de París, permitiéndoles centrarse en el entrenamiento y la competición.

Por qué es importante: la implementación de soluciones GenAI presenta desafíos como el costo, la escala, la precisión, los requisitos de desarrollo, la privacidad y la seguridad. RAG es una carga de trabajo crucial de GenAI porque permite a las empresas aprovechar los datos propios de manera segura, mejorando la puntualidad y la fiabilidad de los resultados de la IA. Esto mejora la calidad y la utilidad de las aplicaciones de IA, lo cual es crítico en el mundo impulsado por datos de hoy en día.

El enfoque colaborativo de Intel, que utiliza plataformas de IA, estándares abiertos y un ecosistema sólido de software y sistemas, permite a los desarrolladores crear soluciones personalizadas de GenAI RAG adaptadas a las necesidades de cada empresa. El impulso compartido hoy subraya el compromiso de Intel por proporcionar soluciones de IA generativa abiertas, robustas y compuestas con múltiples proveedores.

Cómo funciona la arquitectura de la solución GenAI RAG: Intel trabaja con socios de la industria para crear una solución de código abierto e interoperable que facilite el despliegue de RAG. La solución GenAI es una solución RAG lista para producción, impulsada por la industria y lista para usar, construida sobre la base de la Plataforma Abierta para IA Empresarial (OPEA, por sus siglas en inglés). Aunque la solución integral GenAI ofrece un enfoque simplificado para desplegar soluciones RAG en los centros de datos de las empresas, está diseñada para ser altamente flexible y personalizable, integrando componentes de un catálogo de ofertas de múltiples sistemas OEM y socios de la industria.

Esta solución integra componentes de microservicios basados en OPEA en una solución RAG escalable diseñada para desplegar sistemas de IA Xeon y Gaudi. Se escala de manera fluida con marcos de coordinación probados como Kubernetes y Red Hat OpenShift, y proporciona API estandarizadas con seguridad y telemetría del sistema.

• Rompiendo las barreras propietarias con una pila de software abierta: Casi todo el desarrollo de grandes modelos de lenguaje (LLM, por sus siglas en inglés) se basa en el marco de abstracción alta PyTorch, que es compatible con las tecnologías Intel Gaudi y Xeon, lo que facilita el desarrollo en sistemas o plataformas de IA de Intel. Intel ha trabajado con OPEA para desarrollar una pila de software abierta para el despliegue de RAG y LLM optimizada para la solución integrada GenAI y construida con PyTorch, las bibliotecas de servicio de Hugging Face (TGI y TEI), LangChain y la base de datos vectorial Redis.

• Encontrándose con los desarrolladores donde están: OPEA ofrece pipelines RAG modulares, heterogéneos, estandarizados y de código abierto para empresas, enfocándose en el desarrollo de modelos abiertos y el soporte para varios compiladores y toolchains. Esta base acelera la integración y entrega de IA en contenedores para casos de uso verticales únicos. OPEA desbloquea nuevas posibilidades de IA al crear un marco detallado y compuesto que se sitúa a la vanguardia de las pilas tecnológicas.

Con la solución integral GenAI y la completa gama de IA empresarial, Intel ofrece una solución integral que aborda los desafíos de desplegar y escalar aplicaciones RAG y LLM dentro de empresas y centros de datos. Aprovechando los sistemas o plataformas de IA impulsados por Intel y el software optimizado en OPEA, las empresas pueden aprovechar todo el potencial de GenAI con mayor eficiencia y rapidez.

Lo que sigue: Aumentar el acceso a la última tecnología de computación de IA es un desafío que enfrentan las empresas para lograr resultados comerciales críticos con GenAI. A través de colaboraciones estratégicas con socios de la industria y clientes, Intel está creando nuevas oportunidades para servicios de IA impulsados por soluciones GenAI y RAG.

Comprometido con el avance seguro y responsable de la IA, Intel anunció hoy su colaboración con Google, IBM y otros socios de la industria en una nueva Coalición para la IA Segura (CoSAI, por sus siglas en inglés), creada para mejorar la confianza y la seguridad en el desarrollo y despliegue de la IA.

Intel demostrará además su enfoque único hacia los sistemas de IA y el continuo impulso de clientes y socios en el evento Intel Innovation del 24 al 25 de septiembre.

La entrada De atletas a desarrolladores de GenAI se publicó primero en Technocio - Tech Trends.

Por: Fabrizio Carbone, Gerente de IBM Cloud e Inteligencia Artificial para Suramérica Norte

Cuando analizamos en el impacto de la inteligencia artificial (IA) en nuestras vidas, no solo necesitamos pensar en vehículos de última generación que se conducen solos. La IA se puede utilizar en tareas mucho más cercanas, como los chatbots que atienden a los clientes, en el diseño de medicamentos y en la toma de decisiones de inversiones de dinero, entre otras.

La IA tiene el potencial de ayudarnos a resolver muchos problemas de hoy y del mañana y, a pesar de los niveles de automatización que permite, la base común es el elemento humano, no solo en el diseño y operación de los sistemas de IA, sino también en el uso. En esta línea, el uso responsable de la IA es imprescindible en toda institución, gobierno y empresa para garantizar que estos sistemas atiendan las necesidades de las personas de manera eficaz, transparente y equitativa. Pero, ¿cómo podemos garantizar que los sistemas de IA estén diseñados de manera responsable y produzcan resultados efectivos?

La IA centrada en el ser humano es el camino a seguir. Es una disciplina emergente que intenta crear sistemas de IA que amplifiquen y aumenten -en lugar de desplazar- las capacidades humanas. Busca preservar el control humano de una manera que garantice que la inteligencia artificial satisfaga nuestras necesidades mientras opera de manera transparente, brinda resultados equitativos y respeta la privacidad.

De acuerdo con nuestra experiencia en IBM trabajando con clientes y gobiernos de todo el mundo, algunas áreas críticas para el éxito de los sistemas de IA centrados en el ser humano son:

Colaboración y co-creación de humanos e IA

Al adherirnos al valor central de que «humano + IA» es el mejor enfoque, podemos desarrollar experiencias de usuario novedosas que fomenten esta colaboración, tanto en el desarrollo de sistemas como en el objetivo final del mismo, ya que nunca debemos perder de vista el hecho de la IA se crea para personas reales y diversas. La ciencia de datos ofrece un excelente ejemplo de cómo las personas y la IA pueden trabajar juntas para aumentar nuestra capacidad de obtener información significativa de los datos y mejorar la toma de decisiones informada. Para identificar y analizar conjuntos de datos grandes y dispares para obtener nuevos conocimientos que ayuden a resolver problemas complejos, los científicos de datos deben crear modelos y medir su rendimiento. Luego los optimizan y evalúan su equidad y solidez. Esos conocimientos, por ejemplo, llevaron a IBM a desarrollar la tecnología AutoAI, que permite a los científicos de datos producir más modelos de aprendizaje automático de mayor calidad, más rápido y con menos errores.

IA responsable y compatible con los humanos

Este área cubre todos los aspectos de cómo los sistemas de IA centrados en el ser humano pueden proporcionar resultados positivos y beneficiosos para sus usuarios directos, aquellos impactados por su operación y para la sociedad en general. Si queremos lograr estos resultados, la IA centrada en el ser humano debe ser justa e imparcial, segura, aplicada éticamente y utilizada al servicio de las necesidades de los usuarios. Los esfuerzos para desarrollar una IA confiable y compatible con los humanos toman en cuenta varios factores, incluida la necesidad de entender cómo las personas interactúan con los sistemas de IA, confían en ellos, explican el funcionamiento de los modelos y mejoran la comprensión de las personas sobre cómo funcionan estos sistemas. Las estrategias también deben medir el posible uso indebido de la IA, incluidas las formas de mitigar los sesgos humanos y de los sistemas. Y aquí es clave el trabajo integrado del ecosistema, ya que entre todos debemos asegurarnos de que se cumplan estos parámetros y que las organizaciones sean responsables de la creación, gestión y control de sus sistemas de IA.

Interacción de lenguaje natural

Las interfaces conversacionales impulsadas por sistemas de diálogo avanzados han ganado popularidad y se han desarrollado muchos asistentes inteligentes para fines comerciales, sociales y emocionales. En esta línea, el equipo de IBM Research está investigando el uso de estilos formales e informales de lenguaje por parte de los asistentes de atención al cliente con IA. A medida que las tecnologías que desarrollamos se vuelven más inteligentes y autónomas, nuestras interacciones con esos sistemas se transformarán. Una segunda frontera para la IA centrada en el ser humano es investigar y comprender el diseño de los sistemas de IA que se convierten en socios creativos. En el mundo de los negocios, la co-creatividad humano + IA involucra a expertos que trabajan con un sistema de IA que genera código, co-diseña experiencias de usuario y acelera el descubrimiento científico.

Prevemos que la experiencia del usuario de crear artefactos, tanto físicos como digitales, se convertirá en una asociación en la que las personas asumirán el papel de especificación, establecimiento de objetivos, dirección, creatividad de alto nivel, curación y gobernanza, mientras que la IA aumentará las habilidades humanas a través de la inspiración, creatividad, trabajo detallado de bajo nivel y la capacidad de diseñar a escala. La clave, una vez más, será la colaboración humano + IA.

La entrada Enfoque centrado en el ser humano para el desarrollo de sistemas de IA se publicó primero en Technocio - Tech Trends.

Por: Jean Remi King (investigador científico), Charlotte Caucheteux (asistente de investigación), Théo Desbordes (asistente de investigación) y Alexandre Défossez (investigador científico)

La inteligencia artificial (IA) ha logrado avances impresionantes en los últimos años, pero aún está lejos de aprender el lenguaje con la misma eficacia que los humanos. Por ejemplo, los niños aprenden que «naranja» se refiere tanto a una fruta como a un color a partir de unos pocos ejemplos, pero los sistemas modernos de IA no pueden hacerlo con tanta eficacia como las personas. Esto ha llevado a muchos investigadores a preguntarse: ¿Puede el estudio del cerebro humano ayudar a construir sistemas de IA que puedan aprender y razonar como las personas?

Hoy, Meta AI anuncia una iniciativa de investigación a largo plazo para comprender mejor cómo el cerebro humano procesa el lenguaje. En colaboración con el centro de neuroimagen NeuroSpin (CEA) y INRIA, haremos una comparación de cómo los modelos lingüísticos y el cerebro responden a las mismas oraciones orales o escritas. Usaremos los conocimientos de este trabajo para orientar el desarrollo de la IA que procesa la voz y el texto con la misma eficacia que las personas. En los últimos dos años, aplicamos técnicas de aprendizaje profundo a conjuntos de datos públicos de neuroimagen para analizar cómo el cerebro procesa las palabras y oraciones.

Varias instituciones académicas, que incluyen al Instituto Max Planck de Psicolingüística y a la Universidad de Princeton, recopilaron y compartieron los conjuntos de datos. Cada institución recopiló y compartió los conjuntos de datos con el consentimiento informado de los voluntarios de acuerdo con las políticas legales aprobadas por sus respectivos comités éticos, incluido el consentimiento de los participantes en el estudio.

Nuestra comparación entre los cerebros y los modelos lingüísticos ya generaron conocimientos valiosos:

• Los modelos lingüísticos que más se asemejan a la actividad cerebral son aquellos que predicen mejor la próxima palabra a partir del contexto (por ejemplo, “érase una… vez”). La predicción basada en entradas parcialmente observables es el centro del aprendizaje auto-supervisado en la IA y puede ser la clave de cómo se adquiere el lenguaje.

• Sin embargo, descubrimos que regiones específicas en el cerebro descifran palabras e ideas con mayor anticipación, mientras que la mayoría de los modelos lingüísticos actuales suelen estar entrenados para predecir la siguiente palabra. Habilitar esta capacidad de previsión de gran alcance podría ayudar a mejorar los modelos lingüísticos modernos de IA.

Por supuesto, solo tenemos una idea superficial: todavía hay muchas cosas que no entendemos sobre el funcionamiento del cerebro y nuestra investigación continúa. Ahora, nuestros colaboradores en NeuroSpin están creando un conjunto original de datos de neuroimagen para ampliar esta investigación. Abriremos el conjunto de datos, los modelos de aprendizaje profundo, el código y los artículos de investigación resultantes de este esfuerzo para estimular los descubrimientos en las comunidades de inteligencia artificial y neurociencia. Todo este trabajo es parte de las descifran palabras e ideas con mayor anticipación que aprenda con una supervisión limitada o nula.

Utilizando aprendizaje profundo para analizar señales cerebrales complejas

Nuestro trabajo forma parte del esfuerzo más amplio de la comunidad científica de usar la IA para comprender mejor al cerebro. Históricamente, los neurocientíficos se enfrentaron a grandes limitantes al analizar las señales cerebrales, sin contar las que se pueden sumar al compararlas con modelos de inteligencia artificial. Estudiar la actividad neuronal y obtener imágenes cerebrales es un proceso que requiere mucho tiempo y recursos, así como maquinaria pesada para analizar la actividad neuronal, que suele ser poco clara y ruidosa. El diseño de experimentos lingüísticos para medir las respuestas cerebrales de una forma controlada también puede ser complejo. Por ejemplo, en los estudios de lenguaje clásicos, las oraciones deben coincidir en complejidad y las palabras deben coincidir en frecuencia o número de letras, para permitir una comparación significativa de las respuestas cerebrales.

El auge del aprendizaje profundo, en el que múltiples capas de redes neuronales trabajan juntas para aprender, está mitigando rápidamente estos problemas. Este enfoque resalta dónde y cuándo se generan en el cerebro las representaciones perceptivas de palabras y oraciones cuando un voluntario lee o escucha una historia.

Los sistemas de aprendizaje profundo requieren muchos datos para garantizar precisión. Los estudios de Imagen por resonancia magnética funcional (fMRI) captan solo algunas instantáneas de las actividades cerebrales, normalmente a partir de una muestra de tamaño pequeño. Para afrontar la gran cantidad de datos que requiere el aprendizaje profundo, nuestro equipo no solo modela miles de escaneos cerebrales registrados a partir de conjuntos de datos públicos mediante fMRI, sino que también los modela simultáneamente a través de magnetoencefalografía (MEG), un escáner que toma instantáneas de la actividad cerebral cada milisegundo, más rápido que un parpadeo. En combinación, estos dispositivos de neuroimagen proporcionan los grandes volúmenes de datos de neuroimagen necesarios para detectar dónde y en qué orden se producen las activaciones en el cerebro. Esto es clave para analizar el algoritmo de la cognición humana.

En varios estudios descubrimos que el cerebro está organizado de forma sistemática en una jerarquía que es sorprendentemente similar a los modelos de IA (aquí, aquí y aquí). Por ejemplo, los lingüistas predicen desde hace mucho que el procesamiento del lenguaje se caracteriza por una secuencia de cálculos sensoriales y léxicos, antes que las palabras puedan combinarse en oraciones con sentido. Nuestra comparación entre los modelos de aprendizaje profundo y el cerebro validan con precisión esta secuencia de cálculos. Al leer una palabra, el cerebro primero produce representaciones que son similares a las redes convolucionales profundas entrenadas para reconocer caracteres en las primeras cortezas visuales. Luego, en toda la jerarquía visual, estas activaciones cerebrales se transforman en representaciones léxicas similares a las incrustaciones de palabras. Por último, una red cortical distribuida genera representaciones neuronales que se correlacionan con las capas intermedia y final de los modelos de lenguaje profundo. Las herramientas de aprendizaje profundo permitieron aclarar la jerarquía del cerebro de una forma que antes no era posible.

Predecir más allá de la siguiente palabra

Una comparación sistemática entre decenas de modelos de lenguaje profundo muestra que mientras mejor predicen las palabras a partir del contexto, más se correlacionan sus representaciones con el cerebro. Descubrimos esto luego de analizar las activaciones cerebrales de 200 voluntarios en una simple tarea de lectura. Un equipo del Instituto Tecnológico de Massachusetts hizo un descubrimiento similar de forma independiente una semana después del nuestro, lo que valida aún más esta interesante dirección. Estos estudios similares garantizan que la comunidad de la IA va por buen camino con el uso de aprendizaje auto-supervisado hacia una IA de nivel humano.

Pero encontrar similitudes no es suficiente para entender los principios de la comprensión del lenguaje. Las diferencias computacionales entre las redes neuronales biológicas y las artificiales son clave para mejorar los modelos actuales y construir nuevos modelos lingüísticos más inteligentes. Recientemente, revelamos pruebas de la existencia de predicciones de gran alcance en el cerebro, una capacidad que aún desafía a los modelos lingüísticos actuales. Por ejemplo, consideremos la frase «Érase una…». La mayoría de los modelos lingüísticos actuales suelen predecir la siguiente palabra, «vez», pero su capacidad de anticipar ideas complejas, tramas y narraciones, como hacen las personas, sigue siendo limitada.

Para explorar este problema, junto con INRIA, comparamos una variedad de modelos lingüísticos con las respuestas cerebrales de 345 voluntarios, que escucharon narraciones complejas mientras se grababan con fMRI. Mejoramos esos modelos con predicciones de gran alcance para hacer un seguimiento de las previsiones en el cerebro. Nuestros resultados muestran que regiones específicas del cerebro, como las cortezas prefrontal y parietal, son las que mejor se explican mediante modelos lingüísticos mejorados con representaciones profundas de palabras lejanas en el futuro. Estos resultados aclaran la organización computacional del cerebro humano y su naturaleza intrínsecamente predictiva y allanan el camino hacia la mejora de los modelos de IA actuales.

Hacia una IA de nivel humano

En general, estos estudios respaldan una posibilidad interesante: existen, de hecho, similitudes cuantificables entre los cerebros y los modelos de IA. Y estas similitudes pueden ayudar a generar nuevos conocimientos sobre cómo funciona el cerebro. Esto abre nuevas posibilidades, en las que la neurociencia orientará el desarrollo de una IA más inteligente y, a su vez, la inteligencia artificial ayudará a descubrir las maravillas del cerebro.

La entrada Sistemas de IA que pueden aprender como lo hacen las personas se publicó primero en Technocio - Tech Trends.