Fecha de publicación: 17 de febrero de 2024; última actualización: 22 de abril de 2025
La inteligencia artificial (IA) abarca muchas tecnologías complejas y emergentes que antes requerían la intervención humana y que ahora puede realizar una computadora. En términos generales, la IA es un programa, un modelo o una computadora no humanos que demuestran una amplia gama de capacidades de resolución de problemas y creatividad. Las computadoras pueden realizar funciones avanzadas, que históricamente se usaban para comprender y recomendar información. Con la IA generativa, las computadoras pueden incluso generar contenido nuevo.
El acrónimo IA se suele usar indistintamente para representar varios tipos de tecnologías dentro del campo de la inteligencia artificial, pero las capacidades de la IA pueden variar mucho.
Aquí encontrarás varios términos y conceptos sobre la IA en la práctica, en la Web. Para obtener más información sobre el aprendizaje automático, consulta el glosario de aprendizaje automático.
¿Cómo funciona la IA?
El entrenamiento es el primer paso para cada modelo, en el que los ingenieros de aprendizaje automático compilan un algoritmo para proporcionar al modelo entradas específicas y demostrar los resultados óptimos. En general, los desarrolladores web no necesitan realizar este paso, aunque puede ser beneficioso comprender cómo se entrenó un modelo determinado. Si bien es posible ajustar un modelo, es mejor que dediques tu tiempo a elegir el modelo más adecuado para tu tarea.
La inferencia es el proceso por el que un modelo extrae conclusiones basadas en datos nuevos. Cuanto más entrenamiento tenga un modelo en un área específica, más probable será que la inferencia cree resultados útiles y correctos. Sin embargo, no hay garantía de una inferencia perfecta, sin importar cuánto entrenamiento haya recibido un modelo.
Por ejemplo, Luz verde usa un modelo de IA entrenado con datos de Google Maps para comprender los patrones de tráfico. A medida que se reciben más datos, se realiza la inferencia para proporcionar recomendaciones para optimizar los semáforos.
¿Dónde se realiza la IA?
El entrenamiento de IA se completa antes de que se lance un modelo. Es posible que se realice un entrenamiento adicional, lo que puede generar nuevas versiones de los modelos con más capacidades o precisión.
Los desarrolladores web deben preocuparse por dónde se realiza la inferencia de la IA. El costo de usar la IA se ve afectado en gran medida por la inferencia. El rango de capacidad de un solo modelo también se ve muy afectado.
IA del cliente
Si bien la mayoría de las funciones potenciadas por IA en la Web dependen de servidores, la IA del cliente se ejecuta en el navegador del usuario y realiza la inferencia en su dispositivo. Esto ofrece menor latencia, costos reducidos del servidor, eliminación de los requisitos de claves de API, mayor privacidad del usuario y acceso sin conexión. Puedes implementar IA del cliente que funcione en todos los navegadores con bibliotecas de JavaScript, incluidas Transformers.js, TensorFlow.js y MediaPipe.
Es posible que un modelo pequeño y optimizado del cliente supere a uno más grande del servidor, en especial cuando está optimizado para el rendimiento. Evalúa tu caso de uso para determinar qué solución es adecuada para ti.
IA del servidor
La IA del servidor abarca los servicios de IA basados en la nube. Piensa en Gemini 1.5 Pro ejecutándose en una nube. Estos modelos suelen ser mucho más grandes y potentes. Esto es especialmente cierto en el caso de los modelos de lenguaje grandes.
Hybrid AI
La IA híbrida se refiere a cualquier solución que incluya un componente del cliente y un componente del servidor. Por ejemplo, podrías usar un modelo del cliente para realizar una tarea y recurrir a un modelo del servidor cuando no se pueda completar la tarea en el dispositivo.
Aprendizaje automático (AA)
El aprendizaje automático (AA) es el proceso por el cual una computadora aprende y realiza tareas sin programación explícita. Mientras que la IA se esfuerza por generar inteligencia, el AA consiste en algoritmos para hacer predicciones de conjuntos de datos.
Por ejemplo, supongamos que queremos crear un sitio web que califique el clima de cualquier día. Tradicionalmente, esto lo pueden hacer uno o más meteorólogos, quienes pueden crear una representación de la atmósfera y la superficie de la Tierra, calcular y predecir los patrones climáticos, y determinar una calificación comparando los datos actuales con el contexto histórico.
En cambio, podríamos proporcionarle a un modelo de AA una enorme cantidad de datos meteorológicos hasta que aprenda la relación matemática entre los patrones climáticos, los datos históricos y los lineamientos sobre lo que hace que el clima sea bueno o malo en un día determinado. De hecho, lo creamos en la Web.
IA generativa y modelos de lenguaje grandes
La IA generativa es una forma de aprendizaje automático que ayuda a los usuarios a crear contenido que se siente familiar y que imita la creación humana. La IA generativa usa modelos de lenguaje grandes para organizar datos y crear o modificar texto, imágenes, video y audio según el contexto proporcionado. La IA generativa va más allá de la correlación de patrones y las predicciones.
Un modelo de lenguaje grande (LLM) tiene numerosos parámetros (a menudo, miles de millones) que puedes usar para realizar una amplia variedad de tareas, como generar, clasificar o resumir texto o imágenes.
Los chatbots se han convertido en herramientas increíblemente populares para que las personas usen la IA generativa, lo que incluye lo siguiente:
Estas herramientas pueden crear prosa escrita, muestras de código y obras de arte. Pueden ayudarte a planificar unas vacaciones, suavizar o profesionalizar el tono de un correo electrónico, o clasificar diferentes conjuntos de información en categorías.
Existen innumerables casos de uso para desarrolladores y usuarios que no son desarrolladores.
Aprendizaje profundo
El aprendizaje profundo (DL) es una clase de algoritmos de AA. Un ejemplo serían las redes neuronales profundas (DNN), que intentan modelar la forma en que se cree que el cerebro humano procesa la información.
Se puede entrenar un algoritmo de aprendizaje profundo para asociar ciertas características en imágenes con una etiqueta o categoría específica. Una vez entrenado, el algoritmo puede hacer predicciones que identifiquen esa misma categoría en imágenes nuevas. Por ejemplo, Google Fotos puede identificar la diferencia entre gatos y perros en una foto.
Procesamiento de lenguaje natural (PLN)
El procesamiento de lenguaje natural es una clase de AA que se enfoca en ayudar a las computadoras a comprender el lenguaje humano, desde las reglas de cualquier idioma en particular hasta las idiosincrasias, el dialecto y la jerga que usan las personas.
Desafíos de la IA
Existen varios desafíos a la hora de crear y usar la IA. A continuación, se incluyen algunos aspectos destacados que debes tener en cuenta.
Calidad y actualidad de los datos
Los grandes conjuntos de datos que se usan para entrenar varios modelos de IA suelen estar desactualizados poco después de usarse. Esto significa que, cuando busques la información más reciente, te puede resultar útil la ingeniería de instrucciones para mejorar el rendimiento de un modelo de IA en tareas específicas y producir mejores resultados.
Los conjuntos de datos pueden estar incompletos o ser demasiado pequeños para admitir de manera eficaz algunos casos de uso. Puede ser útil probar trabajar con varias herramientas o personalizar el modelo para que se adapte a tus necesidades.
Inquietudes sobre la ética y el sesgo
La tecnología de IA es emocionante y tiene mucho potencial. Sin embargo, en última instancia, las computadoras y los algoritmos son creados por humanos, se entrenan con datos que pueden ser recopilados por humanos y, por lo tanto, están sujetos a varios desafíos. Por ejemplo, los modelos pueden aprender y amplificar el sesgo humano y los estereotipos dañinos, lo que afecta directamente el resultado. Es importante abordar la creación de tecnología de IA con la mitigación de sesgos como prioridad.
Existen numerosas consideraciones éticas sobre los derechos de autor del contenido generado por IA. ¿Quién es propietario del resultado, en especial si está muy influenciado por material protegido por derechos de autor o se copió directamente de él?
Antes de generar ideas y contenido nuevos, ten en cuenta las políticas existentes sobre cómo usar el material que crees.
Seguridad y privacidad
Muchos desarrolladores web han dicho que la privacidad y la seguridad son sus principales preocupaciones al usar herramientas de IA. Esto es especialmente cierto en contextos comerciales con requisitos de datos estrictos, como los Gobiernos y las empresas de atención médica. Exponer los datos del usuario a más terceros con las APIs de Cloud es un problema. Es importante que cualquier transmisión de datos sea segura y se supervise de forma continua.
La IA del cliente puede ser la clave para abordar estos casos de uso. Aún queda mucho por investigar y desarrollar.
Comienza a usar la IA en la Web
Ahora que conoces los diferentes tipos de inteligencia artificial, puedes comenzar a pensar cómo usar los modelos existentes para ser más productivo y crear mejores sitios web y aplicaciones web.
Puedes usar la IA para lo siguiente:
- Crea una mejor función de autocompletar para la búsqueda de tu sitio.
- Detectar la presencia de objetos comunes, como personas o mascotas, con una cámara inteligente
- Aborda el problema de los comentarios spam con un modelo de lenguaje natural.
- Mejora tu productividad habilitando la función de autocompletar para tu código.
- Crea una experiencia de escritura WYSIWYG con sugerencias para la siguiente palabra o oración.
- Proporciona una explicación del conjunto de datos que sea fácil de entender.
- Y más…
Los modelos de IA previamente entrenados pueden ser una excelente manera de mejorar nuestros sitios web, aplicaciones web y productividad, sin necesidad de comprender por completo cómo crear los modelos matemáticos y recopilar los conjuntos de datos complejos que potencian las herramientas de IA más populares.
Es posible que la mayoría de los modelos satisfagan tus necesidades de inmediato, sin necesidad de realizar más ajustes. El ajuste es el proceso de tomar un modelo que ya se entrenó con un conjunto de datos grande y seguir entrenándolo para satisfacer tus necesidades de uso específicas. Existen varias técnicas para ajustar un modelo:
- El aprendizaje por refuerzo con retroalimentación humana (RLHF) es una técnica que usa la retroalimentación humana para mejorar la alineación de un modelo con las preferencias y las intenciones de las personas.
- Low-Rank Adaption (LoRA) es un método eficiente en cuanto a parámetros para los LLM que reduce la cantidad de parámetros entrenables y, al mismo tiempo, mantiene el rendimiento del modelo.