688

 

Inteligencia Artificial

 

-I-

Yuval Harari y Steve Wozniak lideran llamado de expertos para pausar desarrollo de IA ante numerosos riesgos para la humanidad

 

29 marzo, 2023

 

A través de una carta abierta, más de mil expertos y ejecutivos del mundo de las IA, entre ellos el destacado historiador y filósofo Yuval Noah Harari y el cofundador de Apple, Steve Wozniak, solicitaron una pausa "inmediata" de seis meses en el desarrollo de sistemas de IA más avanzados que GPT-4. Lo anterior, debido a los riesgos que tendrían para la sociedad y la humanidad, como el aumento de la desinformación, la pérdida de empleos e incluso la posibilidad de la "pérdida de control de la civilización". "Los sistemas de IA con inteligencia que compite con la humana pueden plantear riesgos profundos, como lo demuestra una extensa investigación y lo reconocen los principales laboratorios de IA. Las decisiones no se pueden delegar en responsables tecnológicos que no hemos elegido", apuntan. "Esto no significa una pausa para el desarrollo en general, simplemente un paso atrás de la peligrosa carrera hacia (herramientas) con capacidades emergentes impredecibles y cada vez más grandes", agregan.

 

Expertos en inteligencia artificial (IA) y ejecutivos del sector, incluyendo al profesor Yuval Noah Harari y al cofundador de Apple, Steve Wozniak, han solicitado, a través de una carta abierta, una pausa "inmediata" de seis meses en el desarrollo de sistemas de IA más avanzados que GPT-4. Lo anterior, debido a los posibles riesgos que podrían tener para la sociedad y la humanidad. Algunos de los efectos negativos mencionados son el aumento de la desinformación, la pérdida de empleos e incluso el riesgo de "pérdida de control de la civilización".

En concreto, el documento sostiene que "los sistemas de inteligencia artificial potentes deben desarrollarse solamente una vez que estemos seguros de que sus efectos serán positivos y sus riesgos serán manejables". Asimismo, detallan los potenciales riesgos para la sociedad y la civilización de los sistemas de IA, como disrupciones políticas y económicas, por lo que se les pide a los desarrolladores que trabajen en conjunto con legisladores y autoridades reguladoras en materia de gobernanza.

La carta abierta propone que durante estos seis meses de pausa, los laboratorios de inteligencia artificial y los expertos independientes "desarrollen e implementen conjuntamente un conjunto de protocolos de seguridad compartidos para el diseño y desarrollo avanzados de IA que sean rigurosamente auditados y supervisados ​​por expertos externos independientes".

"Los sistemas de IA con inteligencia que compite con la humana pueden plantear riesgos profundos, como lo demuestra una extensa investigación y lo reconocen los principales laboratorios de IA. Las decisiones no se pueden delegar en responsables tecnológicos que no hemos elegido", apuntan. Además, advierten que ni se monitoriza su impacto ni se gestionan de forma correcta.

El escrito fue emitido por el Future of Life Institute, una organización sin fines de lucro enfocada en garantizar que las transformaciones tecnológicas no sean perjudiciales. En él, se solicita una pausa en el desarrollo avanzado de la IA hasta que expertos independientes desarrollen, implementen y auditen protocolos de seguridad compartidos para estos diseños.

Además, se hace un llamado a establecer organismos reguladores, auditorías, sistemas de certificación y a asumir la responsabilidad por los daños causados por la IA. Incluso se sugiere la posibilidad de que los gobiernos intervengan para frenar el desarrollo si no hay una voluntad común de garantizar la seguridad en este ámbito.

El número total de personas que suscribió el documento supera las mil, y entre los principales firmantes se encuentran el consejero delegado de Stability AI, Emad Mostaque, investigadores de DeepMind -propiedad de Alphabet-, el cofundador de Apple, Steve Wozniak, y diversos referentes del sector como Yoshua Bengio o Stuart Russell. A ellos se suman los españoles Carles Sierra y Ramón López De Mántaras, entre otros.

"Pueden causar daños graves. Los grandes actores están siendo cada vez más reservados sobre lo que están haciendo, lo que dificulta que la sociedad se defienda contra cualquier daño que pueda materializarse", ha valorado Gary Marcus, profesor emérito de la Universidad de Nueva York y firmante en declaraciones a Reuters.

Es una carrera "cerrada y fuera de controles" para impulsar inteligencias artificiales que "nadie, ni sus creadores, pueden entender, predecir o controlar fehacientemente", expone el escrito. "La carta no es perfecta, pero el espíritu es el correcto: debemos reducir la velocidad hasta que entendamos mejor las ramificaciones", agregó Marcus.

La declaración se produce pocos días después de que Europol expresara su preocupación sobre las implicaciones éticas y legales de las inteligencias artificiales avanzadas como GPT, advirtiendo sobre el posible uso indebido del sistema en intentos de phishing, desinformación y ciberdelincuencia. "Esto no significa una pausa para el desarrollo en general, simplemente un paso atrás de la peligrosa carrera hacia (herramientas) con capacidades emergentes impredecibles y cada vez más grandes", sentencian.

Cabe destacar que desde su lanzamiento el año pasado, ChatGPT de OpenAI, apoyado por la empresa Microsoft, ha incentivado a los rivales a acelerar el desarrollo de modelos de lenguaje similares, así como a las empresas a integrar modelos de IA generativa en sus productos. No obstante, Sam Altman, quien está a cargo de OpenAI, no se encuentra entre los firmantes de la carta.

https://www.elmostrador.cl/cultura/2023/03/29/yuval-harari-y-steve-wozniak-lideran-llamado-de-expertos-para-pausar-desarrollo-de-ia-ante-numerosos-riesgos-para-la-humanidad/

-II-

Sistema basado en Inteligencia Artificial será aplicado por Fiscalía para detectar estructuras criminales

28 marzo, 2023

 

El modelo matemático es capaz de construir una red de vínculos entre personas con historial delictivo, además de identificar a potenciales integrantes de bandas asociadas a hechos criminales. “El objetivo es ayudar a los y las fiscales a determinar rápidamente, en cosa de segundos, qué personas podrían haber actuado en un hecho delictual atribuible a una banda", destacó sobre esta innovación el Fiscal Nacional, Ángel Valencia.

 

Fiscalía comenzará a aplicar un sistema basado en Inteligencia Artificial para detectar a los vínculos entre personas con historial delictivo e identificar a potenciales miembros de una agrupación asociada a un hecho criminal específico.

En este sentido, será usado para casos de delitos contra la propiedad en las fiscalías regionales del Maule, Coquimbo y Metropolitana Centro Norte y pronto se probará adaptado a casos de homicidios y drogas.

 

La innovación es resultado del proyecto Fondef  “Sistema de analítica integrada de información para la persecución de delitos contra la propiedad: inteligencia artificial para detectar estructuras criminales”, una línea de investigación liderada por el académico del Departamento de Ingeniería Industrial de la U. de Chile e investigador del Instituto Sistemas Complejos de Ingeniería (ISCI), Richard Weber, en conjunto con la Unidad Coordinadora de Análisis Criminal y Focos Investigativos de la Fiscalía Nacional.

“Con este sistema cada fiscal y su equipo ya no tendrán que analizar muchas carpetas para dar con potenciales vínculos, ya que la máquina hará un filtro y le propondrá un número acotado. La ventaja es reducir el volumen y la complejidad de la búsqueda”, destaca Weber.

El algoritmo se nutre de información de diferentes bases de datos, como la del Sistema de Apoyo a los Fiscales (SAF).

Para el análisis, integra modus operandis (lugares, horas, perfiles de víctimas, etc.), conocimiento de ciertas técnicas necesarias para llevar a cabo el delito (oxicorte, por ejemplo) y reincidencias, entre otros elementos.

“El objetivo es ayudar a los y las fiscales a determinar rápidamente, en cosa de segundos, qué personas podrían haber actuado en un hecho delictual atribuible a una banda. Tanto si contamos con un sospechoso como si no contamos con él, por lo que esperamos que sea de gran ayuda para bajar las tasas de delitos con imputados desconocidos”, explicó el Fiscal Nacional, Ángel Valencia.

Así, agregó, "ante delitos recién ocurridos, podremos pedirle al sistema que nos proponga los nombres de un número inicial de sujetos. Luego, podremos ir aumentando ese número en el transcurso de la investigación”.

El equipo de investigación liderado por el profesor Weber e integrado por Carla Vairetti, de la Universidad de Los Andes, y Fredy Troncoso, de la Universidad del Biobío, ya ha realizado varias pruebas en casos de robos, con altas tasas de efectividad.

A modo de ejemplo, en uno de ellos se trabajó un hecho reciente en el que, se sabía, estaban involucradas 12 personas. Al sistema se le entregaron solo dos de esas identidades, siendo capaz de rastrear y proponer la identidad de siete individuos nuevos que estaban dentro de los que fueron condenados.

¿Cómo se puede con esta IA identificar a imputados desconocidos?

El mecanismo consiste en identificar a una persona como un nodo inicial, de quien se desprenden vínculos con terceros con los que haya participado en al menos un delito anterior.

De esta forma, se genera un mapa de redes criminales. En el caso que no exista esa persona inicial, el sistema puede comparar hechos, jurisdicción y normas aplicadas, entre otras variables.

https://www.elmostrador.cl/agenda-pais/2023/03/28/sistema-basado-en-inteligencia-artificial-sera-aplicado-por-fiscalia-para-detectar-estructuras-criminales/

 

 

-III-

¿Somos conscientes de los retos y principales aplicaciones de la Inteligencia Artificial?

Hace tiempo que la inteligencia artificial abandonó el espectro de la ciencia ficción para colarse en nuestras vidas y, aunque todavía en una fase muy inicial, está llamada a protagonizar una revolución equiparable a la que generó Internet. Sus aplicaciones en múltiples sectores —como salud, finanzas, transporte o educación, entre otros— han provocado que la Unión Europea desarrolle sus propias Leyes de la Robótica.

La Inteligencia Artificial (IA) es la combinación de algoritmos planteados con el propósito de crear máquinas que presenten las mismas capacidades que el ser humano. Una tecnología que todavía nos resulta lejana y misteriosa, pero que desde hace unos años está presente en nuestro día a día a todas horas.

TIPOS DE INTELIGENCIA ARTIFICIAL

Los expertos en ciencias de la computación Stuart Russell y Peter Norvig diferencian varios tipos de inteligencia artificial:

Sistemas que piensan como humanos

Automatizan actividades como la toma de decisiones, la resolución de problemas y el aprendizaje. Un ejemplo son las redes neuronales artificiales.

 

Sistemas que actúan como humanos

 

Se trata de computadoras que realizan tareas de forma similar a como lo hacen las personas. Es el caso de los robots.

 

Sistemas que piensan racionalmente

 

Intentan emular el pensamiento lógico racional de los humanos, es decir, se investiga cómo lograr que las máquinas puedan percibir, razonar y actuar en consecuencia. Los sistemas expertos se engloban en este grupo.

 

Sistemas que actúan racionalmente

Idealmente, son aquellos que tratan de imitar de manera racional el comportamiento humano, como los agentes inteligentes.

 

APLICACIONES PRÁCTICAS DE LA INTELIGENCIA ARTIFICIAL

La IA está presente en la detección facial de los móviles, en los asistentes virtuales de voz como Siri de Apple, Alexa de Amazon o Cortana de Microsoft y está integrada en nuestros dispositivos cotidianos a través de bots (abreviatura de robots) o aplicaciones para móvil, tales como: LyliEnlace externo, se abre en ventana nueva., un personal shopper en versión digital; ParlaEnlace externo, se abre en ventana nueva., concebida para ayudarnos con el aprendizaje de idiomas; EmsEnlace externo, se abre en ventana nueva., diseñada para hacernos un poco más llevadera la ardua tarea de encontrar nuevo piso; o GyantEnlace externo, se abre en ventana nueva., un asistente virtual de Facebook que emite 'diagnósticos' médicos. El objetivo de todas ellas: hacer más fácil la vida de las personas.

Los avances en IA ya están impulsando el uso del big data debido a su habilidad para procesar ingentes cantidades de datos y proporcionar ventajas comunicacionales, comerciales y empresariales que la han llevado a posicionarse como la tecnología esencial de las próximas décadas. Transporte, educación, sanidad, cultura... ningún sector se resistirá a sus encantos.

PRINCIPALES APLICACIONES DE LA INTELIGENCIA ARTIFICIAL

ASISTENTES PERSONALES VIRTUALES 

Conviviremos con chatbots interactivos que podrán sugerirnos productos, restaurantes, hoteles, servicios, espectáculos, según nuestro historial de búsquedas.

FINANZAS 

Las tecnologías inteligentes pueden ayudar a los bancos a detectar el fraude, predecir patrones del mercado y aconsejar operaciones a sus clientes.

EDUCACIÓN 

Permite saber si un estudiante está a punto de cancelar su registro, sugerir nuevos cursos o crear ofertas personalizadas para optimizar el aprendizaje.

COMERCIAL 

Posibilita hacer pronósticos de ventas y elegir el producto adecuado para recomendárselo al cliente. Empresas como Amazon utilizan robots para identificar si un libro tendrá o no éxito, incluso antes de su lanzamiento.

CLIMÁTICAS

Flotas de drones capaces de plantar mil millones de árboles al año para combatir la deforestación, vehículos submarinos no tripulados para detectar fugas en oleoductos, edificios inteligentes diseñados para reducir el consumo energético, etc.

AGRÍCOLAS

Plataformas específicas que, por medio de análisis predictivos, mejoran los rendimientos agrícolas y advierten de impactos ambientales adversos.

LOGÍSTICA Y TRANSPORTE

Será útil a la hora de evitar colisiones o atascos y también para optimizar el tráfico. Tesla ha desarrollado un sistema gracias al cual, cuando uno de sus coches transita una ruta por primera vez, comparte la información con el resto.

SANIDAD

Ya existen chatbots que nos preguntan por nuestros síntomas para realizar un diagnóstico. La recolección de datos genera patrones que ayudan a identificar factores genéticos susceptibles de desarrollar una enfermedad.

LAS SEIS LEYES DE LA ROBÓTICA PROPUESTAS POR EL PARLAMENTO EUROPEO

Esta vertiginosa irrupción de la IA y de la robótica en nuestra sociedad ha llevado a los organismos internacionales a plantearse la necesidad de crear una normativa para regular su uso y empleo y evitar, de este modo, posibles problemáticas que puedan surgir en el futuro.

1.                                 Los robots deberán contar con un interruptor de emergencia para evitar cualquier situación de peligro.

2.                                 No podrán hacer daño a los seres humanos. La robótica está expresamente concebida para ayudar y proteger a las personas.

3.                                 No podrán generarse relaciones emocionales.

4.                                 Será obligatoria la contratación de un seguro destinado a las máquinas de mayor envergadura. Ante cualquier daño material, serán los dueños quienes asuman los costes.

5.                                 Sus derechos y obligaciones serán clasificados legalmente.

6.                                 Las máquinas tributarán a la seguridad social. Su entrada en el mercado laboral impactará sobre la mano de obra de muchas empresas. Los robots deberán pagar impuestos para subvencionar las ayudas de los desempleados.

Ambas tecnologías ya están cambiando el mundo y las cifras son la mejor muestra de ello: la consultora estadounidense Gartner estima que el mercado de la IA pueda llegar a representar 127.000 millones de dólares en 2025, cifra muy superior a los 2.000 millones de 2015. Estados Unidos y China se situarán a la cabeza en inversiones. La consecuencia es que, según el Fondo Monetario Internacional (FMI), la IA acabará con 85 millones de puestos de trabajo en cinco años, pero a cambio creará 97 millones.

Y aunque haya voces como la del filósofo sueco de la Universidad de Oxford, Nick Bostrom, que anticipa que "existe un 90% de posibilidades de que entre 2075 y 2090 haya máquinas tan inteligentes como los humanos", o la de Stephen Hawking, que aventura que las máquinas superarán completamente a los humanos en menos de 100 años, lo cierto es que lejos de convertirnos en obsoletos, la IA nos hará más eficientes y nos permitirá ejecutar acciones que nunca hubiéramos podido realizar debido a su complejidad. ¿Te imaginas explorar partes del universo totalmente hostiles para el ser humano? Gracias a ella, un día será posible.

https://www.iberdrola.com/innovacion/que-es-inteligencia-artificial

 

-IV-

El buscador de Google cambiará para vencer a sus rivales de Inteligencia Artificial.

 

Hay quienes rinden mejor bajo presión. Y es que la llegada de Bing puso en desventaja al buscador de Google, que se lo catalogó como más tradicional, pues no ha implementado Inteligencia Artificial hasta el momento. Sin embargo, la empresa líder está preparando un cambio radical y prometedor para volver a adelantarse en la carrera de la IA.

 

En marzo, Samsung, el gigante de electrónica de Corea del Sur, le dijo a Google que estaba considerando reemplazarlo por Bing de Microsoft como el motor de búsqueda predeterminado en sus dispositivos.

Y es que su rival tiene una ventaja que Google no: la Inteligencia Artificial (IA), una característica que volvió a este buscador mucho más interesante para los expertos de la industria. Y la reacción del buscador tradicional fue el “pánico”, según mensajes internos a los que accedió The New York Times, pues millones de dólares estaban en juego.

Es por esta razón que Google está diseñando nuevas características para su buscador, una manera de reinventarse, con la esperanza de no quedar atrás en la carrera de la IA y dejar de ser el buscador más utilizado e importante a nivel mundial.

Bing: la amenaza de Google

El buscador de Microsoft, Bing, sorprendió a muchos por tener la nueva función de un chatbot de IA que lleva las búsquedas corrientes a otro nivel: la idea es “interactuar” con el bot y hacerle preguntas más complejas y que te entregue respuestas más desarrolladas que las que podría entregarte un buscador tradicional, parecido a ChatGPT.

Para mala suerte de Google, se lo encasilló a ser ese “buscador tradicional”, por lo que las posibilidades de destronarlo aumentaron. En respuesta, decidió competir y construir un motor de búsqueda completamente nuevo, impulsado por este tipo de tecnología, según documentos que consiguió The Times.

Se dice que este proyecto, llamado Magi, está siendo trabajado por diseñadores, ingenieros y ejecutivos para modificar y probar las últimas versiones que prometen ofrecer una experiencia mucho más personalizada que el servicio actual.

“Estamos entusiasmados de traer nuevas funciones impulsadas por IA para la búsqueda y compartiremos más detalles pronto”, dijo la vocera de Google, Lara Levin en un comunicado. Y es que la empresa está, sin duda, en la búsqueda de darle a sus usuarios y socios más razones para seguir eligiéndolos.

¿Qué funciones nuevas traerá Magi?

Varias fuentes afirman que este nuevo sistema aprenderá lo que los usuarios quieren en función de lo que buscan cuando comiencen a usarlo. De esta manera, podría ofrecer listas de opciones preseleccionadas de objetos para comprar o información para investigar, además de ser mucho más “conversacional”, como chatear con una persona “útil”.

Y sin dejar de lado el motor de Google, Magi mantendría los anuncios en la combinación con los resultados de búsqueda. En esta línea, las consultas, además, podrían conducir a una transacción financiera, como por ejemplo, comprar zapatos o reservar un vuelo.

También se cree que se le podrá preguntar sobre codificación de software y Magi podría escribir códigos en función de lo que solicite el usuario. Otro documento afirma que incluso se prevé que esta tecnología se pueda utilizar en mapas de Google Earth e incluso para buscar música a través de una conversación.

 

Pero los proyectos en desarrollo también suenan prometedores, como Tivoli Tutor, que enseñaría a los usuarios un nuevo idioma a través de la IA y conversaciones de texto, y Searchalong, que permitiría hacer preguntas a un chatbot mientras se navega por la web, a través del navegador Chrome.

Este último suena muy interesante, pues, por ejemplo, si un usuario está en la página de AirBnB, le podría preguntar al bot qué actividades puede realizar cerca y la IA escanear la web para buscar una respuesta en el resto del Internet.

Se espera que Google lance a Magi el próximo mes, donde un máximo de un millón de personas podrán probarla, cifra que debiese aumentar progresivamente a 30 millones para fin de año. No obstante, estará solo disponible para Estados Unidos.

https://www.latercera.com/tendencias/noticia/el-buscador-de-google-cambiara-radicalmente-para-vencer-a-sus-rivales-de-inteligencia-artificial-como-bing/TRFOS73UGVCJROCXHQT5VZLXBI/

 

 

-V-

Inteligencia Artificial: qué es la “caja negra” y por qué inquieta a los expertos en tecnología

 

En medio de las discusiones sobre los acelerados avances de la inteligencia artificial, especialistas en el área han alertado sobre el fenómeno de la “caja negra” y los factores que se deben considerar al analizarlo. Revisa de qué se trata en esta nota.

 

21 ABR 2023

 

Cuando un grupo de ingenieros de Google se encontraban trabajando recientemente en un software de Inteligencia artificial, se sorprendieron al notar que este sistema aprendió —de manera inesperada— a hablar un nuevo idioma.

Inicialmente, los expertos solo le habían dado “muy pocas indicaciones” en bengalí, pero de un momento a otro, aprendió a traducir esa lengua en prácticamente su totalidad.

Así lo relató el jefe de la división de IA de la firma, James Maneka, en el programa 60 Minutes de la cadena televisiva CBS.

Por su parte, el director ejecutivo de la empresa, Sundar Pichai, profundizó en que ese episodio cabe dentro de un fenómeno que numerosos especialistas han denominado como la “caja negra”.

Según explicó, este se caracteriza porque “no lo entiendes del todo”.

“No puedes decir muy bien por qué dijo esto o por qué se equivocó en eso otro. Tenemos algunas ideas y nuestra capacidad para entenderlo mejora con el tiempo. Pero ahí es donde estamos hasta ahora”.

Sin duda alguna, la IA se ha posicionado como probablemente el tópico más comentado en cuanto a tecnología.

Compañías como Open AI han desarrollado chatbots como ChatGPTMicrosoft está apostando por su propia versión en el motor de búsqueda de Bing. El empresario Elon Musk fundó recientemente X.AI. Y por supuesto, Google está invirtiendo en Bard.

Asimismo, especialistas de diversas áreas como Bill Gates Noam Chomsky han manifestado públicamente sus opiniones al respecto, mientras que a finales del mes pasado, un grupo de líderes e investigadores tecnológicos presentaron una carta en la que pidieron una “pausa” en los avances de la IA.

Entre los firmantes, se encontraron el cofundador de Apple, Steve Wozniak, y el mismísimo Musk.

Los debates sobre esta temática se han incrementado y se pronostica que seguirán aumentando progresivamente.

Por un lado, unos plantean que una forma de implementar los beneficios de la IA en la sociedad es introduciéndola poco a poco, mientras que por otro, se argumenta que se deberían tener mayores consideraciones en torno a cómo enfrentar sus potenciales riesgos.

En medio de aquella discusión, la “caja negra” a la que se refería Pichai cobra un carácter fundamental.

 

Qué es la “caja negra” y por qué inquieta a los expertos en IA

Es lógico pensar que —en contraposición al fenómeno mencionado— también exista otro conocido como la “caja blanca”.

Según explicó a la BBC el cofundador de la firma Plural y coautor del análisis The State of AI Report, Ian Hogarth, esta última se caracteriza porque sus creadores construyen un software “tradicional” que sigue fielmente las órdenes que se le solicitan a través de códigos.

Aquello es muy distinto a los sistemas de IA como tal, debido a que estos se abren la posibilidad de adquirir nuevas habilidades para las que no fueron diseñados, ya que sus creadores —en términos sencillos— tratan de conseguir mecanismos que imiten a las “redes neuronales” de los seres humanos.

 

Para esto, también se les suministra una extensa cantidad de datos con las que pueden responder en función de lo que están haciendo. Aunque como han demostrado expertos, la información que arrojan no siempre es verídica.

“Están más cerca de una caja negra en muchos sentidos, pues no entiendes realmente lo que sucede dentro. Me gusta pensar que las cultivamos. Esa es la mejor idea que he oído sobre cómo construimos estos sistemas en la actualidad. Lo difícil es que, a medida que las desarrollamos, se producen grandes saltos bruscos en sus capacidades”.

El gerente de investigación cuantitativa de G-Research, David Stern, agregó al citado medio que “el enfoque de red neuronal” es un “procedimiento de entrenamiento que determina la configuración de millones de parámetros internos que interactúan de manera compleja y son muy difíciles de explicar”.

Un escenario similar —aunque aún más difícil de descifrar— se ve en el “aprendizaje de refuerzo profundo”, es decir, cuando “un diseñador simplemente especifica los objetivos de comportamiento del sistema y este aprende automáticamente interactuando directamente con el entorno”.

Se presume que los avances en la inteligencia artificial generativa seguirán presentándose exponencialmente, en medio de un escenario en donde programas de este tipo ya están funcionando.

Para Pichai, no entender al 100% las respuestas que pueden dar estos sistemas no es un problema mayor, ya que según dijo en el programa de CBS, “tampoco creo que entendamos completamente cómo funciona la mente humana”. En este sentido, manifestó la necesidad de que especialistas de distintas áreas se sumen a la discusión, para que así se implemente progresivamente y considerando múltiples factores.

Por su parte, Hogarth destacó a la BBC que confía en que “tiene un potencial notable para transformar todos los aspectos de nuestras vidas”, aunque también subrayó que “deberíamos tener un debate mucho más público sobre la rapidez con la que progresan”.

https://www.latercera.com/tendencias/noticia/inteligencia-artificial-que-es-la-caja-negra-y-por-que-inquieta-a-los-expertos-en-tecnologia/DNHZYPL65BGT3JJRUYYU7K2L7E/

 

 

-VI-

 

Cómo la Inteligencia Artificial está Transformando la Industria Musical

La inteligencia artificial está transformando nuestra realidad en cientos aspectos. La mayoría de la gente asocia la IA con la evolución de los coches auto-conductores y los robots, y tienen razón. Sin embargo, una tecnología similar también está presente y ampliamente empleada en la industria de la música.

 

Hay múltiples aplicaciones de IA que usamos diariamente sin darnos cuenta. Por ejemplo, las plataformas de streaming tienen algoritmos de aprendizaje automático (un subconjunto de la Inteligencia Artificial) que están "silenciosamente incrustados" en nuestra experiencia auditiva. Las recomendaciones de los artistas y las listas de reproducción son grandes ejemplos de cómo los consumidores utilizan la IA a escala global para descubrir nueva música.

 

También vemos un desarrollo significativo de cómo consumimos la música. Múltiples iniciativas se centran en el proceso de creación de música. Este artículo destacará los avances más prominentes y de la IA en esta materia.

 

En la última década, las plataformas de streaming evolucionaron e hicieron más accesible la música, democratizando el segmento, especialmente para aquellos que no tenían acceso a las producciones y lanzamientos de prensa. Ahora, experimentamos una segunda ola en la que el papel de la Inteligencia Artificial impacta en la forma en que la gente compone y produce música.

 

Algunos profesionales consideran que la tecnología irá más allá de la asistencia a los artistas; podría sustituir parcial o totalmente lo que hacen los compositores e ingenieros de sonido en futuros álbumes y lanzamientos.

 

¿Es la IA realmente capaz de reemplazar a los humanos en la fabricación de música? ¿Escuchará la gente la música producida por los algoritmos?

 

Para aprender más, continúe leyendo la siguiente sección, donde desempacamos varios ejemplos del mundo real.

 

Cómo la inteligencia artificial influye en nuestra rutina

La inteligencia artificial está utilizando algoritmos y mecanismos para proporcionar experiencias aún más completas a los oyentes. El servicio de streaming Spotify, por ejemplo, utiliza la tecnología para crear listas de reproducción específicas para sus usuarios, según sus preferencias en la plataforma. Youtube, utiliza la inteligencia artificial para marcar contenidos con derechos de autor y automatizar la monetización de los anuncios.

 

Las Big Techs también se están involucrando en el nicho de la producción y creación musical. Los equipos de Google, por ejemplo, publican continuamente artículos y recursos para la comunidad de desarrolladores. Recientemente, uno de sus grupos de investigación publicó una serie de plugins de IA de código abierto llamando a la iniciativa Magenta. Magenta Studio es una colección de plugins de música construida sobre las herramientas y modelos de código abierto de Magenta. Utilizan técnicas de aprendizaje de máquinas de vanguardia para la generación de música. La colección de plugins también es compatible con Ableton Live, lo que facilita la adaptación a cualquier flujo de trabajo de los músicos.

 

En 2016, los investigadores de Sony utilizaron la inteligencia artificial para componer una canción al estilo de los Beatles, llamada "Daddy's Car". La pista inspirada en la banda inglesa contó con la ayuda del compositor francés Benoit Carré, para darle un toque humano a la composición.

 

Más tarde, en 2017, Taryn Southern prestó su voz a Amper (una plataforma de inteligencia artificial) para lanzar su primer álbum, titulado "I AM AI". El álbum fue creado casi en su totalidad por la plataforma. También fue celebrado por los críticos y puso el foco de atención en el mundo de la música y la tecnología.

 

El proyecto Jukebox desarrollado por OpenAI, es una de las más recientes y prominentes iniciativas de generación de música. Utiliza la inteligencia artificial para reconstruir la música de una manera moderna y eficiente. Provisto de género, artista y letra como entrada, Jukebox produce una nueva muestra de música producida desde cero.

 

La tecnología también ha logrado resultados increíbles en la masterización de la música, creando pistas con una calidad tal que es difícil diferenciar si fueron masterizadas por una máquina o por humanos. La masterización digital también tiene otro lado positivo, que hace que el proceso sea más rápido, más barato y que esté disponible para artistas independientes y producciones con un presupuesto ajustado.

https://moises.ai/es/blog/inteligencia-artificial-industria-musical/

 

 

-VII-

La inteligencia artificial y las artes. Hacia una creatividad computacional

Las nuevas tecnologías, y la inteligencia artificial en particular, están cambiando de forma drástica la naturaleza de los procesos creativos. Los ordenadores desempeñan papeles muy significativos en procesos creadores como la música, la arquitectura, las bellas artes y la ciencia. De hecho, el ordenador ya es un lienzo, un pincel, un instrumento musical, etcétera. Sin embargo, creemos que debemos aspirar a relaciones más ambiciosas entre ordenadores y creatividad. En lugar de considerar el ordenador como herramienta de ayuda a los creadores humanos, podríamos verlo como una entidad creativa en sí misma. Este punto de vista ha dado lugar a un nuevo subcampo de la inteligencia artificial llamado creatividad computacional. Este capítulo aborda la posibilidad de conseguir creatividad computacional mediante algunos ejemplos de programas informáticos capaces de replicar aspectos de comportamiento creador artístico. Terminamos con algunas reflexiones sobre la reciente tendencia democratizadora de la creatividad, que consiste en asistir y aumentar la creatividad humana.

 

La creatividad computacional es el estudio del desarrollo de software que presenta un comportamiento que sería considerado creativo en seres humanos. Este software creativo puede usarse en tareas anónimas, como inventar teorías matemáticas, escribir poesía, pintar cuadros y componer música. Sin embargo, la creatividad computacional también permite comprender cómo funciona la creatividad humana y reproducir programas para su uso por parte de creadores donde el software actúa como colaborador creativo y no como mera herramienta. Históricamente ha sido difícil para las sociedades reconciliarse con las máquinas que pretenden ser inteligentes, y aún más admitir que puedan ser creativas. Incluso en el ámbito de la informática sigue habiendo escepticismo respecto al potencial creador del software. Una afirmación típica de los detractores de la creatividad computacional es que «simular técnicas artísticas equivale a simular el pensamiento y el razonamiento humanos, en especial el pensamiento creativo. Es imposible hacer esto usando algoritmos o sistemas de procesamiento de información». No podemos estar menos de acuerdo. Como se desprende esperanzadoramente de los ejemplos expuestos en este artículo, la creatividad no es un don místico fuera del ámbito del estudio científico, sino algo que puede ser investigado, simulado y reconducido en beneficio de la sociedad. Y aunque la sociedad todavía esté poniéndose al día, la creatividad computacional como disciplina ha alcanzado la mayoría de edad. Esta madurez es evidente en la cantidad de actividad relacionada con creatividad computacional en los últimos años, en la complejidad del software creativo que estamos desarrollando, en el valor cultural de los artefactos que produce nuestro software y, lo que es más importante, en el consenso que estamos alcanzando sobre cuestiones relativas a la creatividad computacional.

 

La creatividad computacional es un tema de estudio muy dinámico, con muchas cuestiones aún abiertas al debate. Por ejemplo, muchos siguen recurriendo al test de Turing (Turing 1950) para calcular el valor de los artefactos producidos por su software. Es decir, si un número determinado de personas no es capaz de determinar cuáles de los artefactos han sido generados por un ordenador y cuáles por un ser humano, entonces el software funciona. Otros creen que el test de Turing no es adecuado para el software creativo. La pregunta debe ser: «Con toda la información en la mano, ¿valoraría la gente los artefactos producidos por un ordenador tanto como los producidos por un humano?». En algunos ámbitos, la respuesta sería sí. Por ejemplo, cuando un chiste sigue siendo divertido, lo haya generado o no un ordenador. En otros, como las artes visuales, lo más probable, sin embargo, es que la respuesta sea no. Esto pone de manifiesto el hecho de que a la hora de valorar una obra de arte se tiene en cuenta el proceso de producción y no solo el resultado. De ahí que se pueda argumentar que los test tipo Turing están básicamente destinados a condenar a los ordenadores.

Desarrollar software creativo supone un desafío tanto técnico como social. Para seguir avanzando necesitamos aceptar el hecho de que los ordenadores no son humanos. Deberíamos mostrarnos públicamente orgullosos de los artefactos que produce nuestro software. Deberíamos celebrar lo avanzado de las técnicas de la inteligencia artificial que hemos empleado para dotar al software de comportamiento creativo. Y deberíamos ayudar al público en general a apreciar el valor de estas creaciones informáticas mediante la descripción de los métodos que emplea el software para crearlas.

La creatividad parece algo misterioso porque cuando tenemos ideas creativas es muy difícil explicar cómo las hemos tenido y a menudo recurrimos a conceptos imprecisos como «inspiración» e «intuición». El hecho de que no seamos conscientes de cómo se manifiesta una idea creativa no implica necesariamente que no exista una explicación científica. Lo cierto es que no somos conscientes de cómo desempeñamos otras actividades como comprensión del lenguaje, reconocimiento de patrones, etcétera, y sin embargo tenemos técnicas cada vez mejores de inteligencia artificial para replicarlas.

Puesto que nada surge de la nada, debemos comprender que toda obra o idea creativa siempre viene precedida de una trayectoria histórico-cultural, es el fruto de la herencia cultural y de vivencias previas. Tal y como afirma Margaret Boden en su libro Inteligencia artificial y el hombre natural:

Probablemente los pensamientos nuevos que se originan en la mente no son completamente nuevos, porque tienen su raíz en representaciones que ya existían. Por expresarlo de otra manera, el germen de nuestra cultura, todos nuestros conocimientos y experiencias, están detrás de cada idea creativa. Cuanto mayores son los conocimientos y la experiencia, mayores las posibilidades de encontrar una relación inesperada que conduzca a una idea creativa. Si entendemos la creatividad como el resultado de establecer nuevas relaciones entre bloques de conocimiento que ya poseemos, entonces cuantos más conocimientos previos tengamos, mayor será nuestra capacidad de ser creativos.

De acuerdo con esta premisa, una definición operativa y ampliamente aceptada de creatividad sería: «Una idea creativa es una combinación nueva y valiosa de ideas conocidas». En otras palabras, pueden generarse leyes físicas, teoremas, piezas musicales a partir de un conjunto finito de elementos, y por tanto la creatividad es una forma avanzada de resolución de problemas en la que participan la memoria, la analogía, el aprendizaje y el razonamiento sujeto a restricciones, entre otros factores, y por ello susceptible de ser replicada mediante ordenadores.

Este capítulo aborda la posibilidad de lograr creatividad computacional mediante algunos ejemplos de programas informáticos capaces de replicar ciertos aspectos del comportamiento creativo. Por cuestiones de espacio no hemos podido incluir otras aplicaciones interesantes, entre ellas, novela (Gervás 2009), poesía (Montfort et al. 2014), ciencia (Langley et al. 1987) e incluso humor (Ritchie 2009). De modo que el ensayo aborda, con diversos grados de detalle, resultados representativos de algunos logros en los campos de la música y las artes visuales. La razón de centrarnos en estos campos artísticos es que son, con mucho, aquellos en los que la actividad es mayor y los resultados obtenidos son más impresionantes. El capítulo termina con algunas reflexiones sobre la reciente tendencia democratizadora de la creatividad que han traído consigo los procesos de aumento y apoyo a la actividad creadora humana.

Para profundizar en la creatividad computacional en general, recomiendo el número de la AI Magazine dedicado a creatividad computacional (Colton et al. 2009), así como los libros de Boden (1991, 1994, 2009), Dartnall (1994), Partridge y Rowe (1994), Bentley y Corne (2001) y McCormack y D’Inverno (2012).

CREATIVIDAD COMPUTACIONAL EN MÚSICA

La inteligencia artificial ha desempeñado un papel crucial en la historia de la música por ordenador casi desde sus inicios, en la década de 1950. Sin embargo, hasta época reciente, la mayoría de los esfuerzos se habían centrado en sistemas compositivos y de improvisación y se había prestado poca atención a la interpretación expresiva. En esta sección revisaremos una selección de algunos logros significativos de enfoques de inteligencia artificial para la composición, la interpretación y la improvisación, con especial énfasis en la interpretación de música expresiva.

Componer música

Las investigaciones de Hiller e Isaacson (1958) con el ordenador ILLIAC constituyen el trabajo pionero más conocido de música por ordenador. Su principal resultado es la Suite Illiac, un cuarteto de cuerda compuesto siguiendo el enfoque de resolución de problemas usando una metodología de «generación y prueba». El programa generaba notas de manera pseudoaleatoria mediante cadenas de Markov. Las notas generadas a continuación se testaban mediante reglas compositivas heurísticas de armonía clásica y contrapunto. Solo se conservaban las notas que superaban el test. Si ninguna de las notas generadas satisfacía las reglas, se empleaba un sencillo sistema de retroceso para borrar la composición entera hasta ese punto, y se empezaba un nuevo ciclo. Los objetivos de Hiller e Isaacson excluían todo lo relacionado con expresividad y contenido emocional. En una entrevista (Schwanauer y Levitt 1993), Hiller e Isaacson declararon que, antes de abordar la cuestión de la expresividad había que solucionar problemas más básicos. Creemos que se trata de una observación muy correcta para la década de 1950. Después de este trabajo inicial, muchos otros investigadores han basado sus composiciones por ordenador en las transiciones probabilísticas de Markov, pero también con éxito limitado desde el punto de vista de la calidad melódica. De hecho, los métodos excesivamente influidos por procesos markovianos no están lo suficientemente desarrollados como para producir música de alta calidad de forma consistente.

No todos los primeros trabajos con composición se fundamentan en enfoques probabilísticos. Un buen ejemplo lo constituye la obra de Moorer (1972) sobre generación de melodías tonales. El programa de Moorer generaba melodías simples junto con sus progresiones armónicas subyacentes mediante patrones internos simples de repetición de notas. Este enfoque se basa en simular los procesos compositivos humanos usando técnicas heurísticas en lugar de cadenas probabilísticas markovianas. Levitt (1983) también evitó el uso de probabilidades en el proceso compositivo. Argumenta que «la aleatoriedad tiende a oscurecer antes que a revelar las restricciones musicales necesarias para representar estructuras musicales simples». El trabajo de Levitt se basa en descripciones de estilos musicales libres de restricciones. Desarrolló un lenguaje descriptivo que permite expresar transformaciones de entradas o inputs musicalmente significativas, como progresiones de acordes y líneas melódicas, mediante una serie de relaciones restrictivas que llama «plantillas de estilo». Aplicó este enfoque para describir una simulación de walking bass de jazz tradicional, así como una simulación de ragtime en piano a dos manos.

Los sistemas de Hiller-Isaacson y Moorer se basaban también en enfoques heurísticos. Sin embargo, posiblemente el ejemplo más genuino de uso temprano de técnicas de inteligencia artificial sea el de Rader (1974), que usó programación de inteligencia artificial apoyada en reglas en su generador de rondós (un canon circular al estilo de Frère Jacques). La generación de la melodía y la armonía se basaba en reglas que describían cómo pueden combinarse notas y acordes. El componente de inteligencia artificial más interesante de este sistema son las reglas de aplicabilidad que determinan la aplicabilidad de las reglas generadoras de melodía y acordes, y las medias ponderadas que indican las probabilidades de que se aplique una regla mediante un peso (o ponderación). En esta obra temprana ya se observa un uso de metaconocimiento.

Pioneros de la inteligencia artificial como Herbert Simon o Marvin Minsky también publicaron trabajos de importancia para la música generada por ordenador. Simon y Sumner describen un lenguaje de patrones formales para la música, así como un método de inducción para descubrir patrones más o menos implícitos en obras musicales. Un ejemplo de patrón que puede descubrirse sería: «La sección que abre está en do mayor, va seguida de una sección en dominante y luego da una vuelta a la clave original». Aunque el programa no se terminó, merece la pena señalar que fue uno de los primeros en ocuparse de la importante cuestión de los modelos musicales, un tema que ha sido, y sigue siendo, ampliamente estudiado. Por ejemplo, el uso de modelos basados en gramáticas generativas ha sido, y es, un enfoque interesante y útil de modelos musicales computacionales (Lerdahl y Jackendoff 1983).Marvin Minsky, en su conocido artículo «Música, mente y conocimiento» (Minsky 1981), aborda el aspecto fundamental de «cómo la música se graba en nuestra mente». Aplica sus conceptos de agente y su papel en una sociedad de agentes como posible enfoque para arrojar luz sobre esa cuestión. Por ejemplo, apunta que un agente puede no hacer nada más que reparar en que la música tiene un ritmo particular. Otros agentes pueden percibir pequeños patrones musicales, como repeticiones de un tono, o diferencias, como la misma secuencia de notas tocadas una quinta más aguda, etcétera. Su enfoque también contempla relaciones más complejas dentro de una pieza musical mediante agentes de un orden superior capaces de reconocer fragmentos más largos de música. Es importante aclarar que, en su artículo, Minsky no trata de convencer al lector de la validez de su planteamiento, tan solo apunta a su plausibilidad. Entre los sistemas de composición hay muchos que abordan el problema de la armonización automática usando diversas técnicas de inteligencia artificial. Uno de los primeros trabajos es el de Rothgeb (1969). Creó un programa, SNOBOL, usando una serie de reglas del tipo «si la línea de bajo (bass) de una triada desciende un semitono, entonces a la siguiente nota del bajo le corresponde una sexta». El objetivo principal de Rothgeb no era la armonización automática en sí misma, sino poner a prueba la solidez computacional de dos teorías sobre armonización de dos líneas de bajo del siglo xviii.

Uno de los trabajos más completos sobre armonización es el de Ebcioglu (1993). Desarrolló un sistema experto, CHORAL, para armonizar corales al estilo de Johann Sebastian Bach. A CHORAL se le da una melodía y produce la armonización correspondiente usando reglas heurísticas y restricciones. El sistema se implementó utilizando un lenguaje de programación lógica diseñado por el autor. Un aspecto importante de este trabajo es su uso de conjuntos de primitivas lógicas para representar los distintos puntos de vista de la música (la perspectiva de los acordes, de los intervalos de tiempo, la perspectiva melódica, etcétera). Esto se hizo para resolver el problema de representar grandes cantidades de conocimiento musical complejo.

MUSACT (Bharucha 1993) emplea redes de neuronas artificiales para aprender un modelo de armonía musical. Fue desarrollado con el fin de capturar intuiciones musicales de cualidades armónicas. Por ejemplo, una de las cualidades de un acorde dominante es crear en la audiencia la expectativa del acorde tónico que va a oír a continuación. Los compositores pueden elegir violar estas expectativas en grados diversos. MUSACT es capaz de aprender estas cualidades y generar expectativas de distinto grado en un contexto armónico dado.

En HARMONET (Feulner 1993), el problema de la armonización se afronta usando unas combinaciones de redes de neuronas artificiales y técnicas de satisfacción de restricciones. La red de neuronas aprende lo que se conoce como funcionalidad armónica de los acordes (los acordes pueden tener función tónica, dominante, subdominante, etcétera) y las restricciones se usan para las voces interiores de los acordes. El trabajo de HARMONET se amplió en el sistema MELONET (Hörnel y Degenhardt 1997; Hörnel y Menzel 1998). MELONET usa una red de neuronas artificiales para reproducir estructuras de nivel superior en secuencias melódicas. A partir de una melodía, el sistema inventa una armonización y una variación de estilo barroco de cualquier voz coral. Según los autores, HARMONET y MELONET combinados constituyen un poderoso sistema compositivo que genera variaciones cuya calidad es similar a las de un organista humano experimentado.

Pachet y Roy (1998) también usaron técnicas de satisfacción de restricciones para armonizar. Estas técnicas explotan el hecho de que los conocimientos tanto melódicos como de armonía imponen restricciones a los acordes posibles. La eficacia es, sin embargo, un problema en estos enfoques de satisfacción de restricciones.

En la obra de Sabater et al. (1998), el problema de la armonización se aborda utilizando una combinación de reglas y razonamiento basado en casos. Este enfoque parte de la observación de que la armonización fundamentada solo en reglas suele fracasar porque, en general, «las reglas no hacen la música, es la música la que hace las reglas». Así pues, en lugar de apoyarse únicamente en un conjunto de reglas imperfectas, ¿por qué no aprovechar la fuente de las reglas, es decir, las composiciones mismas? El razonamiento basado en casos permite el uso de ejemplos de composiciones ya armonizadas como casos para armonizaciones nuevas. Este sistema armoniza una melodía dada buscando primero casos similares, ya armonizados; cuando esto falla, busca reglas generales de armonía aplicables. Si no hay ninguna regla aplicable, el sistema falla y retrocede a la decisión anterior. Los experimentos han demostrado que la combinación de reglas y casos produce muchos menos fallos a la hora de encontrar una armonización adecuada que si se usa solo una de las dos técnicas. Otra ventaja del enfoque basado en casos es que cada pieza nueva correctamente armonizada puede memorizarse y difundirse como nuevo ejemplo para armonizar otras melodías; es decir, se da un proceso de aprendizaje por experiencia. De hecho, cuantos más ejemplos tenga el sistema, con menor frecuencia necesita recurrir a las reglas y, por tanto, falla menos. MUSE (Schwanauer 1993) también es un sistema de aprendizaje que amplía una serie inicialmente pequeña de restricciones de conducción de voces o voice leading aprendiendo una serie de reglas de doblado y conducción de voces. Lo hace reordenando la agenda de reglas y fragmentando las reglas que satisfacen las restricciones de conducción de voces. MUSE consiguió aprender algunas de las reglas estándar de conducción de voces incluidas en manuales tradicionales de música tonal.

Morales, Manzanares et al. (2001) desarrollaron un sistema llamado SICIB capaz de componer música utilizando movimientos corporales. Este sistema usa datos de sensores que lleva un bailarín y aplica reglas de inferencia para emparejar sus gestos con música a tiempo real.

Sin duda, el trabajo más conocido sobre composición por ordenador que usa inteligencia artificial es el proyecto EMI de David Cope (Cope 1987, 1990), centrado en la simulación de estilos de compositores diversos. Ha compuesto con éxito música al estilo de Cope, Mozart, Palestrina, Albinoni. Brahms, Debussy, Bach, Rachmáninov, Chopin, Stravinski y Bartók. Busca patrones recurrentes en varias (dos al menos) obras de un compositor. Los patrones descubiertos se llaman signaturas. Puesto que las signaturas varían según su localización, EMI usa una de las obras de un compositor a modo de guía para fijarlas en sus ubicaciones adecuadas a la hora de componer una pieza nueva. Para componer los motivos musicales entre signaturas, EMI recurre a un analizador de reglas compositivas que identifica las restricciones usadas por el compositor en sus obras. Este analizador tiene en cuenta elementos musicales, como indicaciones para la conducción de notas, uso de notas repetidas, etcétera, y las representa como un modelo estadístico de las obras analizadas. El programa sigue este modelo para componer los motivos que han de insertarse en los espacios vacíos entre signaturas. Para insertarlos de modo correcto, EMI tiene que solucionar problemas como vincular las partes inicial y final de las signaturas a los motivos que las rodean evitando anomalías estilísticas, manteniendo movimientos de voz, manteniendo las voces dentro de un registro vocal, etcétera. La inserción correcta se consigue usando una Red de Transición Aumentada (Woods 1970). Los resultados, aunque no perfectos, sí son coherentes con el estilo del compositor que se busca imitar.

Sintetizar música expresiva

Una de las principales limitaciones de la música generada por ordenador ha sido su falta de expresividad, es decir, su falta de «gesto». El gesto es como los músicos llaman a los matices de interpretación que son únicos y sutilmente interpretativos. En otras palabras, creativos.

Uno de los primeros intentos de abordar la expresividad en la música fue el de Johnson (1992), quien desarrolló un sistema experto para determinar el tempo y la articulación necesarios para interpretar las fugas del Clave bien temperado de Bach. Las reglas se obtenían de dos intérpretes humanos expertos. El resultado da el valor del tempo base y una serie de indicaciones interpretativas acerca de la duración y articulación de las notas que debe seguir el intérprete humano. Los resultados coinciden en gran medida con las instrucciones que aparecen en ediciones comentadas y muy conocidas del Clave bien temperado. La principal limitación de este sistema es su falta de generalidad, porque solo funciona bien con fugas compuestas en cuatro por cuatro. Para otros compases, las reglas tendrían que ser distintas. Otra consecuencia obvia de esta falta de generalidad es que las reglas solo sirven para fugas de Bach.

El trabajo del grupo KTH de Estocolmo (Friberg, 1995; Friberg et al. 1998, 2000; Bresin 2001) es uno de los intentos a largo plazo más conocidos de desarrollar sistemas de interpretación. Su último sistema, Director Musices, incorpora reglas para tempo, transformaciones de dinámica y de articulación a música generada por MIDI. Dichas reglas se infieren a partir de conocimientos musicales teóricos y también de la experiencia, sobre todo usando el enfoque llamado de análisis por síntesis. Las reglas se dividen en tres clases principales: reglas de diferenciación, que resaltan las diferencias entre escalas tonales; reglas de agrupamiento, que indican qué tonos deben ir juntos; y reglas de conjunto, que sincronizan las distintas voces de un conjunto o ensemble.

Canazza et al. (1997) desarrollaron un sistema para analizar cómo las intenciones expresivas de un músico se reflejan en la interpretación. El análisis revela dos dimensiones expresivas distintas, una relacionada con la energía (dinámica) y la otra relacionada con la cinética (rubato) de una pieza. Los autores crearon, asimismo, un programa para generar interpretaciones expresivas de acuerdo a estas dos dimensiones.

El trabajo de Dannenberg y Derenyi (1998) también constituye un buen ejemplo de transformaciones de articulación usando reglas construidas manualmente. Desarrollaron un sintetizador de trompeta que combina un modelo físico con un modelo interpretativo. La función del segundo es generar información de control para el modelo físico mediante una serie de reglas extraídas manualmente del análisis de unas colecciones de grabaciones de interpretaciones humanas.

Otra manera de enfocar la transformación del tempo y la dinámica es recurriendo a técnicas de redes de neuronas artificiales. En los trabajos de Bresin (1998) se implementa un sistema que combina reglas de decisiones simbólicas con cadenas de neuronas para simular el estilo de pianistas de carne y hueso. Los resultados de las redes de neuronas expresan desviaciones de tiempo y volumen. Estas redes de neuronas artificiales amplían la red estándar prealimentada con el algoritmo de propagación hacia atrás con conexiones de retroalimentación de las neuronas de salida (output) a las de entrada (input).

Podemos ver que, a excepción del trabajo del grupo KTH, que contempla tres recursos expresivos, los otros sistemas se limitan a dos, que pueden ser el rubato y la dinámica, o el rubato y la articulación. Esta limitación tiene que ver con el empleo de reglas. De hecho, el principal problema de los enfoques basados en reglas es que es muy difícil encontrar reglas generales suficientes para recoger la variedad presente en distintas interpretaciones de la misma pieza por el mismo músico e incluso para la variedad dentro de una misma interpretación (Kendall y Carterette 1990). Además, los diversos recursos expresivos interactúan entre sí. Es decir, las reglas para la dinámica cambian solo cuando también se tiene en cuenta el rubato. Obviamente, debido a esta interdependencia, cuantos más recursos expresivos se intenten desarrollar, más difícil se vuelve encontrar las reglas apropiadas.

Nosotros hemos creado un sistema de razonamiento basado en casos llamado SaxEx (Arcos et al. 1998), un programa informático capaz de sintetizar solos de saxo tenor de baladas de jazz de alta calidad expresiva basados en casos de solos interpretados por humanos. Como se ha dicho antes, los enfoques previos de dicho problema basados en casos no podían manejar más de dos parámetros expresivos (como dinámica y rubato), porque es demasiado complicado encontrar reglas lo bastante generales como para que capten la variedad presente en interpretaciones expresivas. Además, los distintos parámetros expresivos interactúan entre sí, dificultando aún más encontrar reglas apropiadas que tengan en cuenta estas interacciones.

Con el razonamiento basado en casos hemos demostrado que es posible tener en cuenta los cinco parámetros expresivos más importantes: dinámica, rubato, vibrato, articulación y ataque de las notas. Para ello, SaxEx usa una memoria de casos que contiene ejemplos de interpretaciones humanas analizadas mediante técnicas de síntesis por modelado de espectro (o SMS) y conocimientos musicales de fondo. La partitura de la pieza a interpretar también la proporciona el sistema. La esencia del método reside en analizar cada nota de entrada determinando (mediante el conocimiento musical de fondo) su papel en la frase musical a la que pertenece, identificar y recuperar (de la base de casos de interpretaciones humanas) notas con papeles similares y, por último, transformar la nota de salida de modo que sus propiedades expresivas (dinámica, rubato, vibrato, articulación y ataque) se correspondan con los de la nota recuperada más similar. Cada nota de la base de casos tiene anotaciones referidas a su papel en la frase musical a la que pertenece, así como a sus valores expresivos. Es más, los casos no solo contienen información sobre cada nota individual, sino que incluyen también conocimiento contextual en lo que respecta a la frase. Por tanto, los casos en este sistema tienen una representación compleja centrada en el objeto.

Aunque limitados a interpretaciones monofónicas, los resultados son muy convincentes y demuestran que el razonamiento basado en casos es una poderosa manera de usar directamente los conocimientos de un intérprete humano que están implícitos en su manera de tocar, en lugar de tratar de hacer explícitos dichos conocimientos mediante reglas. Se pueden escuchar algunos ejemplos en http://www.iiia.csic.es/%7Earcos/noos/Demos/Example.html (Arcos y López de Mántaras 2001; López de Mántaras y Arcos 2002; López de Mántaras y Arcos 2012), donde se describe este sistema detalladamente.

A partir del trabajo realizado para SaxEx, desarrollamos TempoExpress (Grachten et al. 2004), un sistema de razonamiento basado en casos para aplicar transformaciones musicalmente aceptables de tempo a grabaciones monofónicas de interpretaciones musicales. TempoExpress cuenta con una rica descripción de la expresividad musical de las interpretaciones que incluye no solo desviaciones de tiempo o notas interpretadas, también representa tipos de expresividad más rigurosos, como ornamentación, consolidación y fragmentación de notas. Dentro del proceso de transformación del tempo, la expresividad de la interpretación se ajusta de forma que el resultado suene natural para el nuevo tempo. Se usa una base de casos de melodías previamente interpretadas para inferir la expresividad más apropiada. El problema de cambiar el tempo de una interpretación musical no es tan trivial como pueda parecer, porque requiere gran cantidad de conocimientos musicales y de pensamiento creativo. De hecho, cuando un músico interpreta una pieza con distintos tempos, las interpretaciones no son versiones de distinta duración las unas de las otras (como si la misma interpretación se tocara con distintas velocidades). Con los cambios de tempo se producen variaciones de expresión musical (Desain y Honing 1993). Estas variaciones no solo afectan la cadencia de las notas, también pueden suponer, por ejemplo, el añadido o la supresión de ornamentaciones o la consolidación/fragmentación de notas. Aparte del tempo, hay otros factores de dominio específico que parecen desempeñar un papel importante en la manera de interpretar una melodía, por ejemplo, la métrica y estructura de las frases. La transformación del tempo es una de las tareas de procesamiento posterior que se hacen de forma manual en los laboratorios de música. Automatizar este proceso puede ser, por tanto, de interés comercial.

Otras aplicaciones del razonamiento basado en casos para la música expresiva son las de Suzuki et al. (1999) y las de Toboudic y Widmer (2003, 2004). Suzuki et al. (1999) usan ejemplos de casos de interpretaciones expresivas para generar interpretaciones múltiples de una pieza dada con variada expresión musical, sin embargo manejan únicamente dos parámetros expresivos. Tobudic y Windmer (2003) aplican aprendizaje basado en ejemplos también para abordar el problema de generar interpretaciones expresivas. Su enfoque se usa para complementar un modelo basado en reglas en notas con cierta capacidad predictiva en fraseo musical. Más concretamente, el componente de aprendizaje basado en casos reconoce patrones de interpretación de un concertista de piano a nivel de frase y aprende cómo aplicarlos a nuevas piezas por analogía. Este enfoque ha generado algunos resultados interesantes pero, tal y como reconocen los autores, no fue convincente debido a la limitación que supone usar una representación de las frases del tipo atributo-valor. Una representación tan simple no puede tener en cuenta información estructural relevante de la pieza, tanto en el ámbito de subfrase como de interfrase. En un artículo posterior, Tobudic y Widmer (2003) lograron salvar en parte estas limitaciones utilizando una representación de frases relacional.

Widmer et al. (2009) describen un programa informático que aprende a interpretar música de piano clásica de manera expresiva. El enfoque es de uso intensivo de datos y está basado en el aprendizaje estadístico. Interpretar música de manera expresiva requiere sin duda un alto grado de creatividad, pero los autores adoptan una postura muy pragmática ante la cuestión de si se puede afirmar que su programa es o no creativo y afirman que «la creatividad está en el ojo del espectador». De hecho, el objetivo principal de los autores es investigar y entender mejor la interpretación musical como comportamiento creativo humano usando métodos de inteligencia artificial.

La posibilidad de que un ordenador interprete de manera expresiva es un componente fundamental de los llamados hiperinstrumentos. Son instrumentos diseñados para aumentar el sonido musical con unos matices idiosincráticos que le den expresividad humana y una sonoridad rica y viva. Para hacer un hiperinstrumento, se coge un instrumento tradicional, como por ejemplo un chelo, y se conecta a un ordenador mediante sensores electrónicos en el mástil y el arco, se equipa con sensores también la mano que sostiene el arco y se programa el ordenador con un sistema parecido a SaxEx, que consigue analizar la manera en que el humano interpreta la pieza a partir de la partitura, el conocimiento musical y las lecturas de los sensores. Los resultados de este análisis permiten al hiperinstrumento desempeñar un papel activo, alterando aspectos como el timbre, el tono, el ritmo y el fraseo, así como generar una voz acompañante. En otras palabras, se obtiene un instrumento capaz de hacerse su propio acompañamiento. Tod Machover, del Media Lab del Massachusetts Institute of Technology, desarrolló un hiperchelo y el gran chelista Yo-Yo Ma lo estrenó tocando una pieza compuesta por Tod Machover titulada Begin Again Again (Volver a empezar otra vez) en el festival Tanglewood hace varios años.

Improvisar música

La improvisación musical es un proceso creativo muy complejo que también ha sido simulado informáticamente. A menudo se denomina «composición sobre la marcha» y es, por tanto, desde el punto de vista creativo, más compleja que la composición y probablemente la más complicada de las tres actividades musicales examinadas aquí. Uno de los primeros trabajos sobre improvisación de los ordenadores es el sistema Flavors Band, de Fry (1984). Flavors Band es un lenguaje procedimental embebido en LISP que sirve para especificar estilos de jazz y de música popular. Su representación procedimental permite generar partituras en un estilo preespecificado haciendo cambios en las acotaciones de la partitura de entrada. Permite combinar funciones aleatorias y restricciones musicales (acordes, modos, etcétera) para generar improvisaciones. El resultado más notable de Flavors Band fue un interesante arreglo de la línea de bajo y un solo improvisado de la composición de John Coltrane Giant Steps.

GenJam (1994) desarrolla una simulación de músico de jazz aprendiendo a improvisar mediante un algoritmo genético. Un humano hace el papel de función de aptitud evaluando las improvisaciones del músico simulado. Papadopoulos y Wiggins (1998) también usaron un algoritmo genético para improvisar melodías de jazz a partir de una progresión de acordes dada. Al contrario de GenJam, su programa incluye una función de aptitud que evalúa de manera automática la calidad de las improvisaciones teniendo en cuenta ocho aspectos distintos de la melodía improvisada, entre ellos, contorno melódico, duración de las notas o distancias interválicas entre notas.

Franklin (2001) emplea redes de neuronas artificiales recurrentes para aprender a improvisar solos de jazz a partir de transcripciones de improvisaciones de solos de jazz del saxofonista Sonny Rollins. Se usa un algoritmo de aprendizaje reforzado para afinar el comportamiento de las redes neuronales. La función de recompensa evalúa los solos creados por el sistema siguiendo criterios de armonía jazzística y en relación al estilo de Rollins.

La falta de interactividad con un improvisador humano presente en los enfoques anteriores ha sido criticada (Thom 2001) con el argumento de que eliminan al músico de la creación física y espontánea de la melodía. Aunque es cierto que la característica fundamental de la improvisación es la creación espontánea y a tiempo real de una melodía, no lo es menos que la interactividad no era uno de los objetivos de estos enfoques, y aun así consiguieron generar improvisaciones muy interesantes. Thom (2001), con su sistema Band-out-of-a-Box (BoB), aborda el problema de improvisación interactiva a tiempo real entre BoB y un intérprete humano. En otras palabras, BoB es un «músico acompañante» para improvisación a tiempo real. El enfoque de Thom sigue la teoría psicológica de improvisación en jazz de Johnson-Laird (1991). Esta teoría se opone a la opinión según la cual improvisar consiste en reordenar y transformar licks prememorizados dentro de las restricciones de la armonía. En lugar de ello, propone un modelo estocástico basado en un algoritmo voraz en un espacio restringido de notas posibles de interpretar en un momento de tiempo determinado. La gran contribución de Thom es que su sistema aprende estas restricciones, y con ellas el modelo estocástico, del intérprete humano mediante un algoritmo de agrupamiento probabilístico no supervisado. El modelo aprendido se usa para extraer solos y convertirlos en modos de interpretar específicos para cada usuario. Los parámetros de ese modelo aprendido se incorporan a continuación al proceso estocástico, que genera los solos en respuesta a solos de cuatro compases del improvisador humano. BoB ha sido muy bien valorado, una vez puestos a prueba sus acompañamientos de solos en dos estilos diferentes, el del saxofonista Charlie Parker y el del violinista Stéphane Grapelli.

Dannenberg (1993) desarrolló un notable sistema de improvisación interactiva. La diferencia respecto al de Thom es que en el sistema de Dannenberg la generación de música viene impulsada principalmente por los objetivos del compositor, en lugar de los del intérprete. El sistema de improvisación de Wessel (1998) está más cerca del de Thom en el sentido de que también da importancia al acompañamiento y realce de las improvisaciones en directo.

CREATIVIDAD COMPUTACIONAL EN LAS ARTES VISUALES

AARON es un sistema robótico, desarrollado a lo largo de muchos años por el artista y programador Harold Cohen (1995), capaz de coger un pincel con su brazo robótico y pintar en un lienzo sin ayuda. Pinta personas en un jardín botánico no solo copiando un dibujo existente, sino generando tantos dibujos únicos sobre este tema como sean necesarios. AARON nunca ha visto a una persona paseando por un jardín botánico, pero se le han proporcionado conocimientos sobre posturas corporales y plantas mediante reglas. Los conocimientos de AARON y la manera en que los usa no son como el conocimiento que nosotros, los humanos, tenemos y usamos, porque el conocimiento humano se basa en experimentar el mundo, y las personas experimentan el mundo con sus cuerpos, sus cerebros, sus sistemas reproductivos, cosas que no tienen los ordenadores.

Sin embargo, al igual que ocurre con los humanos, los conocimientos de AARON han sido adquiridos de forma acumulativa. Una vez que entiende el concepto de racimo de hojas, por ejemplo, puede hacer uso de ese conocimiento siempre que lo necesite. Para AARON, las plantas existen en términos de tamaño, grosor de las ramas en relación a la altura, el ritmo al que las ramas adelgazan a medida que crecen, el grado de ramificación, el ángulo al que brotan las ramas, etcétera. Los mismos principios sirven para la formación de hojas y de racimos. Manipulando estos factores, AARON es capaz de generar un amplio espectro de tipos de plantas y nunca dibujará la misma planta dos veces, ni siquiera cuando dibuje una serie de plantas de la misma especie. Además, AARON debe saber en qué consiste el cuerpo humano, cuáles son sus diferentes partes y su tamaño en relación con las otras. También tiene que saber cómo se articulan las partes del cuerpo y cuáles son las clases y rango de movilidad de cada articulación. Por último, y puesto que un cuerpo que se mueve de forma coherente y no es una mera colección de partes que se mueven independientemente, AARON necesita saber algo sobre cómo se coordinan los movimientos corporales; por ejemplo, lo que tiene que hacer el cuerpo para mantener el equilibrio.

https://www.bbvaopenmind.com/articulos/la-inteligencia-artificial-y-las-artes-hacia-una-creatividad-computacional/

VIII

La inteligencia artificial de ChatGPT llega a los coches

17/03/2023

Uno de los sistemas más avanzados de la actualidad da el salto a la industria de la automoción con un grupo automovilístico puntero.

La implementación de inteligencias artificiales en los coches ayudarán a los ocupantes. 

ChatGPT es la plataforma que ha experimentado un crecimiento más rápido en la historia de internet. En tan solo dos meses ha alcanzado 100 millones de usuarios. Para hacerse una idea, Instagram necesitó 26 meses para alcanzar esa cifra, Facebook 54 meses y Twitter 65 meses. Además, más de 13 millones de usuarios únicos diarios se conectan a esta inteligencia artificial.

Pero ¿qué es ChatGPT? Se trata de un sistema de chat soportado por una inteligencia artificial que ha sido entrenada para mantener conversaciones. Ha sido desarrollado por la compañía OpenAI y dispone de más de 175 millones de parámetros para realizar tareas relacionadas con el lenguaje, desde la traducción hasta la generación de textos.

La inteligencia artificial de ChatGPT ha sido entrenada (y sigue entrenándose continuamente) para tener charlas con cualquier persona y que, gracias a sus algoritmos, pueda entender lo que se le está preguntando, incluyendo adjetivos y variaciones que se añadan a las frases, y responder de manera coherente.

ChatGPT en los coches

A esta nueva tecnología, que está democratizando el empleo de inteligencias artificiales, se le están buscando nuevas aplicaciones, y cómo no, la industria de la automoción ha puesto sus ojos sobre ella. De esta manera, se buscan nuevos horizontes en la manera de interactuar con los pasajeros de un coche.

Así lo ha confirmado el vicepresidente de General Motors, Scott Miller, en una entrevista concedida a la agencia de noticias Reuters. La compañía estadounidense está explorando diferentes usos para ChatGPT como parte de su acuerdo de colaboración con Microsoft. En palabras de Miller: “ChatGPT va a estar en todas partes”.

Pero ¿qué es lo que puede hacer una IA en un coche? Entre otras muchas acciones, la implementación de ChatGPT en los automóviles ayudaría desde conocer las características del vehículo que normalmente se encuentran en el manual de usuario, hasta programar el código para abrir la puerta del garaje.

Además, la idea es que también pueda acceder a información del coche y devuelva respuestas que sirvan para mejorar la conducción.

General Motors, pionera

Lo cierto es que General Motors, la multinacional de la industria de la automoción afincada en Detroit, quiere ser la primera marca que habilita este chatbot en sus vehículos. Esta compañía, que durante 77 años fue la más firma automovilística más grande del mundo, quiere también ser la pionera en la inclusión de ChatGPT para que ayude a conductores y ocupantes.

“Este cambio (la inclusión de ChatGPT en la industria de la automoción) no se refiere a únicamente a la evolución de los comandos de voz, sino que significa que los clientes puedan esperar que sus futuros vehículos sean mucho más capaces y ayuden, en todos los sentidos, gracias a estas tecnologías emergentes”, declaró un portavoz de GM hace unos días.

Actualmente General Motors trabaja con dos asistentes de voz: Siri Google Assistant. Pero desde que en 2021 se asoció con Microsoft para la comercialización de coches autónomos, las sinergias entre ambas compañías no han hecho más que crecer.

Microsoft es el propietario de ChatGPT y al igual que otras grandes empresas tecnológicas, ha intensificado sus esfuerzos por integrar más tecnología en los vehículos, desde sistemas de infoentretenimiento a conducción autónoma, pasando por sistemas operativos que controlan el rendimiento de la batería y otras muchas funciones del vehículo.

https://motor.elpais.com/tecnologia/la-inteligencia-artificial-de-chatgpt-llega-a-los-coches/

Se cree que en 2026 las máquinas serán capaces de escribir comentarios de texto mejor que los alumnos de bachillerato. Conducir un camión, a partir de 2027, será más seguro que lo haga una máquina a que lo haga una persona.

-IX-

3 cosas que hará por ti la Inteligencia Artificial del futuro

La inteligencia artificial del futuro tendrá un papel cada vez más importante en la vida cotidiana. Se espera que desempeñe un papel clave en el desarrollo de soluciones innovadoras para la automatización de procesos, la mejora de la seguridad y la eficiencia en la industria, así como en la medicina y la educación. Entre otros muchos ámbitos de actuación. Además, se espera que los avances en inteligencia artificial ayuden a mejorar la calidad de vida de las personas al ofrecer soluciones a los problemas sociales y ambientales. Y también tendrá un papel decisivo en el desarrollo de nuevas tecnologías para el hogar, como los asistentes virtuales, los robots autónomos y la computación en la nube.

Hace tiempo que ya convivimos con inteligencia artificial. Casi sin darnos cuenta, interactuamos con aplicaciones, servicios y dispositivos que integran de alguna manera inteligencia artificial más allá de los algoritmos o comandos “tradicionales” con los que hemos convivido hasta ahora. Con mayor o menor acierto, esta tecnología está ayudando a que tareas antes complejas y que requerían mucho tiempo, ahora se resuelvan en unos minutos.

La pregunta que muchos nos hacemos hasta dónde puede evolucionar. ¿Qué será capaz de hacer la inteligencia artificial del futuro? Bien encaminada, resultará imprescindible para que resolvamos grandes problemas que tenemos pendientes. Adaptarnos al cambio climático, reducir nuestro impacto ambiental, satisfacer las necesidades de toda la población, curar enfermedades y gozar de buena salud… Una lista de deseos que, tarde o temprano, haremos realidad. Solos o acompañados de la inteligencia artificial.

El papel de la IA en la ciencia y la tecnología

Un artículo de la prestigiosa revista Forbes se aventura a predecir qué hará la inteligencia artificial del futuro. Y su primera predicción tiene que ver con el método científico. La base con la que la ciencia ha evolucionado, basándose en las evidencias, en las pruebas fehacientes de que aquello que se teoriza es realmente así. Pero probar y refutar teorías requiere tiempo, dinero y esfuerzo.

El futuro de la inteligencia artificial pasa por responder a grandes preguntas. Y en el ámbito de la ciencia, gracias a los modelos predictivos y al machine learning, las máquinas podrán responder de inmediato a cuestiones que requieren meses o años de investigación. Gracias al uso de la inteligencia artificial, se están obteniendo nuevos materiales que responden a necesidades específicas. No es tan fácil como hacer una búsqueda en Google, pero sí que acorta meses de trabajo con pruebas prácticas. En cambio, la IA permite ver las posibilidades en abstracto mediante modelos virtuales. Y elegir el camino correcto.

O como apunta Forbes, la inteligencia artificial del futuro permitirá “una capacidad sin precedentes para analizar enormes conjuntos de datos y descubrir computacionalmente relaciones y patrones complejos. La IA, que aumenta la inteligencia humana, está preparada para transformar el proceso de investigación científica y desencadenar una nueva edad de oro de los descubrimientos científicos en los próximos años”.

Medicina personalizada mediante inteligencia artificial

La medicina personalizada con inteligencia artificial (IA) es un enfoque de tratamiento médico que utiliza la IA para ayudar a los médicos a desarrollar un tratamiento personalizado para cada paciente. Esto se basa en la idea de que cada persona es única y que para obtener el mejor tratamiento posible, se necesita un enfoque personalizado.

La inteligencia artificial se utiliza para analizar la información de salud recopilada sobre el paciente, como su historial médico, su genética y sus datos de seguimiento de la salud. Esta información se puede utilizar para ayudar a los médicos a identificar problemas de salud potenciales y a desarrollar un tratamiento personalizado. También puede ayudar a los médicos a determinar qué medicamentos son los más adecuados para cada paciente. Esto se logra mediante el uso de algoritmos analíticos para evaluar el historial médico de los pacientes y encontrar aquellos medicamentos que tienen el mayor potencial de beneficio para cada caso en particular.

Otro ámbito en el que la inteligencia artificial del futuro será de gran utilidad es la mejora de la precisión de los diagnósticos. Esto se logra mediante el uso de algoritmos de aprendizaje automático para procesar la información de salud de los pacientes y encontrar patrones que pueden ayudar a los médicos a identificar enfermedades e incluso prevenirlas.

Compras más seguras y exclusivas para ti

Empresas de los sectores financieros como bancos o aseguradoras también llevan tiempo trabajando con inteligencia artificial. No es de extrañar que nos beneficiemos de las posibilidades de la inteligencia artificial del futuro incluso sin darnos cuenta. Y desde dos prismas distintos: la seguridad de las transacciones y la personalización de nuestra experiencia como comprador.

En primer lugar, gracias a la inteligencia artificial es posible prevenir el fraude en tarjetas de crédito e implementar sistemas más seguros para evitar robos, suplantación de identidad, garantizar los pagos y cobros y/o tareas secundarias como verificar que las páginas son reales y que los productos son los que se exponen. En definitiva, medidas que protegerán a vendedores, compradores y, por el camino, a intermediarios como bancos, plataformas de pagos, etc.

Y, por otro lado, la inteligencia artificial puede ayudar a personalizar la experiencia de compra ofreciendo aquello que necesitamos y/o andamos buscando más allá de sugerencias genéricas. Es más. El nivel de personalización será tal que aprenderá de nuestros cambios de tendencia o de preferencias. Un escalón más de lo que estamos acostumbrados a ver en plataformas online que ya ofrecen personalizaciones bastante acertadas a partir de nuestras búsquedas dentro o fuera de sus aplicaciones. Y, por último. En relación a la experiencia de compra. La inteligencia artificial será capaz de ofrecer atención personalizada en tiempo real. Quien sabe si combinado con realidad aumentada y realidad virtual y empleando avatares virtuales o simplemente con un sistema de chat o voz.

https://blogthinkbig.com/inteligencia-artificial-futuro
 

 

Dr. Iván Seperiza Pasquali
Quilpué, Chile
Abrril de 2022
Portal MUNDO MEJOR: http://www.mundomejorchile.com/
Correo electrónico: isp2002@vtr.net