IA en la Justicia. Módulo 1. Lección 2 — Transcript

Full transcript

1. 0:04Hay una pregunta que me parece
2. 0:05fundamental para entender la
3. 0:07inteligencia artificial y no es tal cual
4. 0:10qué es, sino por qué hay tantos tipos
5. 0:13diferentes de inteligencia artificial.
6. 0:16La respuesta es simple. Cada generación
7. 0:19de inteligencia artificial existe porque
8. 0:21la anterior tenía un problema que no
9. 0:23podía resolver.
10. 0:25Así pues, vamos a recorrer este árbol
11. 0:28genealógico,
12. 0:29porque cuando entiendas de dónde viene
13. 0:31cada tipo de sistema, vas a entender
14. 0:34también qué puede hacer, qué no puede
15. 0:37hacer y por qué.
16. 0:41Inteligencia artificial simbólica y
17. 0:44sistemas expertos.
18. 0:46El punto de partida es la década de los
19. 0:4850. Un grupo de investigadores de la
20. 0:51Universidad de Daout propuso que la
21. 0:53inteligencia humana puede ser descrita
22. 0:56con suficiente precisión para que una
23. 0:58máquina la simule. Aquí nace el término
24. 1:02inteligencia artificial.
25. 1:04Los primeros sistemas funcionaban con lo
26. 1:06que hoy llamamos lógica simbólica. La
27. 1:09idea era sencilla, representar el
28. 1:12conocimiento como reglas explícitas
29. 1:14escritas por humanos que después las
30. 1:17máquinas podían ejecutar.
31. 1:20Por ejemplo, si el contribuyente tiene
32. 1:23ingresos mayores a X y deducciones
33. 1:25menores a Y, entonces aplica la tasa Z.
34. 1:29Para el derecho, esto tiene una analogía
35. 1:31perfecta. Un sistema experto de los años
36. 1:3480 funciona como un diagrama de flujo
37. 1:36normativo, como el árbol de decisión de
38. 1:39una ley fiscal bien estructurada.
39. 1:42Si sigues las ramas, llegas al
40. 1:44resultado.
41. 1:45Aquí la ventaja es enorme, pues es
42. 1:48completamente transparente. Puedes
43. 1:50auditar cada decisión, rastrear cada
44. 1:52paso y entender exactamente por qué el
45. 1:55sistema llegó a esa conclusión.
46. 1:58Pero tiene un límite crítico, solo
47. 2:00funciona para lo que alguien tuvo la
48. 2:02previsión de programar. Cuando aparece
49. 2:05una situación no prevista, el sistema no
50. 2:08sabe qué hacer. Y en el mundo real
51. 2:10siempre hay situaciones no previstas.
52. 2:13Los sistemas expertos fueron un éxito en
53. 2:15dominios muy acotados y siguen
54. 2:17existiendo. El sistema que calcula
55. 2:20automáticamente los plazos procesales en
56. 2:22un expediente judicial probablemente usa
57. 2:25lógica de este tipo. Para esta tarea
58. 2:28específica es perfecto.
59. 2:33Aprendizaje automático o también llamado
60. 2:35machine learning.
61. 2:37A finales de los años 80 y principios de
62. 2:40los 90, los investigadores enfrentaron
63. 2:43un problema de escala.
64. 2:45Programar reglas para todos los casos
65. 2:47posibles resultaba imposible. El mundo
66. 2:50simplemente era demasiado complejo. La
67. 2:53solución fue un cambio conceptual
68. 2:55completamente radical. En lugar de
69. 2:58programar las reglas, ¿qué pasaría si
70. 3:01dejamos que el sistema las infiera por
71. 3:03sí mismo a partir de ejemplos?
72. 3:05Esto es el aprendizaje automático. Le
73. 3:09muestras al sistema miles de contratos
74. 3:11con cláusulas abusivas identificadas y
75. 3:14miles sin ellas.
76. 3:16Con el tiempo, el sistema aprenderá a
77. 3:18distinguirlas, no porque alguien le
78. 3:20programó la definición de cláusula
79. 3:22abusiva, sino porque encontró los
80. 3:24patrones que las diferencian.
81. 3:27La analogía jurídica que más me gusta
82. 3:29para esto es la siguiente. Imagina un
83. 3:32juez que aprende el derecho no leyendo
84. 3:34los códigos y la doctrina, sino leyendo
85. 3:37decenas de miles de sentencias. Al final
86. 3:40tiene un criterio muy sólido para
87. 3:42resolver casos similares, pero si le
88. 3:45preguntas exactamente qué regla está
89. 3:47aplicando, no podría articularla con
90. 3:50precisión. lo sabe, pero no puede
91. 3:53explicar completamente por qué lo sabe.
92. 3:56Eso es exactamente lo que pasa con un
93. 3:58modelo de machine learning. funciona,
94. 4:01generaliza, pero la regla que aprendió
95. 4:03no es transparente como lo era la del
96. 4:05sistema experto. Y aquí aparece por
97. 4:09primera vez el problema de la
98. 4:11explicabilidad, un problema que va a ser
99. 4:14central en la gobernanza de la
100. 4:15inteligencia artificial y que se va a
101. 4:17desarrollar en profundidad más adelante.
102. 4:23Aprendizaje profundo.
103. 4:25En el 2012 ocurrió algo que cambió el
104. 4:28campo de manera definitiva. Un equipo de
105. 4:31investigadores participó en una
106. 4:33competencia de reconocimiento de
107. 4:35imágenes llamada Imagennet.
108. 4:38Todos los años los equipos competían por
109. 4:40reducir el error de clasificación. Los
110. 4:42mejores sistemas del momento tenían
111. 4:44errores de alrededor del 25%.
112. 4:47El equipo ganador de ese año bajó el
113. 4:50error a alrededor del 16%.
114. 4:53una mejora tan grande que todos en el
115. 4:55campo entendieron que algo fundamental
116. 4:58había cambiado. Lo que usaron fue una
117. 5:01red neuronal profunda, una arquitectura
118. 5:04que simula de manera muy abstracta la
119. 5:06estructura de capas del cerebro humano.
120. 5:09Muchas capas de procesamiento donde cada
121. 5:11capa aprende representaciones cada vez
122. 5:14más abstractas de los datos.
123. 5:17La primera capa podría aprender a
124. 5:19detectar bordes en una imagen. La
125. 5:21siguiente formas, la siguiente objetos
126. 5:24parciales. Y las últimas capas aprenden
127. 5:27conceptos abstractos como cara o
128. 5:29automóvil.
129. 5:31El aprendizaje profundo o deep learning
130. 5:33es lo que hace posible que hoy tengamos
131. 5:35sistemas que reconocen caras,
132. 5:37transcriben audio, traducen idiomas y
133. 5:39generan texto. Todo eso requiere
134. 5:42procesar información no estructurada y
135. 5:45para eso el deep learning es
136. 5:47extraordinariamente efectivo.
137. 5:50El costo de nuevo es la explicabilidad.
138. 5:53Estos sistemas son mucho más potentes
139. 5:55que los anteriores y mucho más difíciles
140. 5:58de auditar. La regla que aprendieron
141. 6:00está distribuida en millones o miles de
142. 6:03millones de parámetros. No hay una forma
143. 6:05simple de leerla.
144. 6:09En 2017, un equipo de Google publicó un
145. 6:12paper con un título que parece
146. 6:14filosófico, attention is all you need.
147. 6:18En ese paper describían una nueva
148. 6:20arquitectura llamada Transformer.
149. 6:22No voy a explicar los detalles técnicos
150. 6:24ahora porque los vamos a ver más
151. 6:26adelante. Lo que importa es el
152. 6:28resultado. La arquitectura.
153. 6:31Transformer hizo posible entrenar
154. 6:33modelos de lenguaje de una escala y
155. 6:35calidad que antes eran impensables.
156. 6:39De ahí vienen los modelos que hoy
157. 6:40conoces, Chat GPT, Cloud, Gemini. Todos
158. 6:45son variantes o evoluciones de esa
159. 6:47arquitectura publicada en 2017. Y de ahí
160. 6:51también viene el momento de inflexión
161. 6:52cultural, noviembre de 2022, cuando Open
162. 6:56AI lanzó chat GPT al público general y
163. 7:00de repente todo el mundo estaba hablando
164. 7:02de inteligencia artificial.
165. 7:05Entonces, tenemos cuatro generaciones
166. 7:07que conviven el día de hoy. Los sistemas
167. 7:10de reglas explícitas que siguen siendo
168. 7:12útiles para tareas bien definidas y
169. 7:14donde la transparencia es crítica. El
170. 7:17machine learning clásico que aprende
171. 7:19patrones a partir de datos y generaliza
172. 7:21a casos nuevos. El deep learning que
173. 7:24procesa información no estructurada como
174. 7:27texto, imagen y audio con un nivel de
175. 7:30precisión que antes era imposible.
176. 7:33y los modelos generativos de lenguaje
177. 7:35que no solo clasifican o predicen, sino
178. 7:38que crean contenido nuevo.
179. 7:41Estas cuatro generaciones no se
180. 7:43reemplazaron entre sí, coexisten y en el
181. 7:46ámbito jurídico las vas a encontrar a
182. 7:49todas. Un sistema que calcula plazos usa
183. 7:52lógica de la primera generación, un
184. 7:54clasificador de expedientes usa machine
185. 7:56learning. Un transcriptor de audiencias
186. 7:59usa de learning y un asistente de
187. 8:01redacción jurídica. usa grandes modelos
188. 8:03de lenguaje.
189. 8:05Con este mapa en la cabeza, en la
190. 8:07siguiente lección nos vamos a enfocar en
191. 8:09el tipo de sistema que más está
192. 8:11cambiando el trabajo cotidiano, los
193. 8:13modelos de lenguaje y la inteligencia
194. 8:15artificial generativa. Ah.