Page 72 - Auditoría Pública Nº 85

REVISTA AUDITORÍA PÚBLICA / 85

Cuadro 1.
Tipos de aprendizaje de los modelos de Machine Learning.

Tipo de Aprendizaje Descripción Aplicaciones
Los datos utilizados para el aprendizaje del siste- Clasificación de documentos, identificación de
ma están clasificados o etiquetados. Una vez entre- cláusulas en documentos, identificación de sen-
Aprendizaje supervisado nado, el modelo de IA puede hacer predicciones o timientos en la web o redes sociales, detección
clasificaciones a partir de datos de entrada según
lo aprendido de los datos de entrenamiento. de fraude.
Los datos para el aprendizaje del sistema no están Trabajo con gran cantidad de documentación,
clasificados o etiquetados. El modelo de IA puede identificación de indicios de fraude, optimización
Aprendizaje no supervisado descubrir patrones o características de la informa- de la gestión documental, análisis predictivo de
ción que inicialmente no son apreciables. riesgos.
Basado en un ciclo continuo de ensayo y error, Simulación de escenarios, optimización en la ges-
Aprendizaje por refuerzo donde el sistema analiza los datos resultantes y los tión de emergencias, mantenimiento de infraes-
vuelve a tratar para obtener un resultado óptimo. tructuras, automatización de servicios públicos.

Fuente: Elaboración propia a partir de la información de Soria, E. (2024a).

tre pensamiento y manipulación de símbolos y cálculos, los de IA que se basan en desarrollo de algoritmos y
tal como postularon siglos antes Hobbes y Descartes en técnicas que permiten aprender de los datos, pudien-
sus trabajos. De esta relación surgió la IA simbólica, que do realizar tareas específicas sin ser programadas ex-
trabajaba en la resolución de problemas mediante cálcu- plícitamente para ello.
los y representaciones de símbolos. Posteriormente, en
la década de 1980 surgió el conexionismo, que contem- ¡ Aprendizaje profundo (Deep Learning, DL): que es un
plaba la IA como la emulación de las redes neuronales subconjunto del anterior pero el grado de aprendizaje
del cerebro humano. Ambos enfoques rivalizaron en su es muy superior. Dentro de este tipo de IA encontra-
desarrollo por un periodo corto de tiempo, el primero ríamos a la IA generativa.
centrándose en reglas predefinidas que permitían iden-
tificar símbolos y relacionarlos con otros y el segundo, Los dos últimos modelos de IA mencionados utilizan prin-
centrándose en que las redes aprendan y descubran pa- cipalmente tres tipos de aprendizaje (Soria, E. 2024a), di-
trones a través de los datos. En la actualidad los modelos ferenciados en base a los tipos de datos con los que se
de IA pueden utilizar ambos enfoques, si bien la mayo- entrenan, como muestra el cuadro 1:
ría utilizan redes neuronales, aunque continúa habiendo
modelos de IA simbólica en áreas específicas, donde el La popularidad de los sistemas de IA se ha disparado con
conocimiento está bien definido y puede representarse la aparición de la IA generativa, entre la que podemos en-
mediante reglas lógicas. contrar los siguientes modelos (Soria, E. 2024b):

En este contexto histórico, podemos clasificar los mode- ¡ de imágenes y arte (DALL-E, DeppArt, Artbreeder).
los de IA por niveles de complejidad: ¡ de voz y de música (Jukebox, Loudly, Google Magenta).
¡ de video (Stabilty, RunwayML, Synthesia) .
2
¡ IA basada en reglas (sistemas expertos): modelos de ¡ de código (GitHub Copilot, Amazon CodeWhisper, Mi-
IA que con un conjunto definido de reglas y lógica crosoft IntelliCode).
permite realizar tareas o tomar decisiones. Modelos ¡ de texto, (modelos LLM cuyo paradigma es ChatGPT ).
3
simbólicos.
En los modelos de texto cabe destacar el Modelo de Len-
¡ Aprendizaje máquina (Machine Learning, ML): mode- guaje Extenso (cuyas siglas en inglés son LLM) utilizados

2 A este respecto ver la problemática creada con la aparición de reproducción de personajes ghibli.
3 La “T” de “GPT” viene de Transformer, arquitectura de redes neuronales presentada por Google en 2017.

72