Cuando la IA generativa se popularizó tras el lanzamiento de ChatGPT en noviembre de 2022, muchos creyeron que esta inteligencia artificial (IA) había surgido de la nada. Sin embargo, los orígenes de la IA generativa se remontan a 1964, cuando el MIT desarrolló ELIZA como psicoterapeuta virtual. La primera IA física se inventó en 1966 con el primer robot de IA, Shakey, del Instituto de Investigación de Stanford.
Sí, existen varios tipos de IA . En el futuro, su presencia y familiaridad aumentarán. Sin embargo, los casos de uso, la infraestructura informática, la alimentación y la refrigeración, así como las técnicas empleadas (visión artificial, aprendizaje automático, razonamiento, etc.) varían para cada una. A continuación, se presenta un resumen simplificado de los diferentes tipos de IA y sus funciones.
Definiciones sencillas para diferentes tipos de IA
- IA industrial : Inteligencia artificial para el análisis, la calidad, el mantenimiento y la optimización en la fabricación, la energía y la logística de la cadena de suministro.
- IA física: Sistemas de inteligencia artificial que perciben, deciden y actúan en el mundo físico, controlando robots, vehículos, infraestructuras inteligentes y dispositivos.
- Inteligencia artificial generativa (GenAI): Inteligencia artificial que genera contenido o resultados nuevos: texto, imagen, código, audio, vídeo, etc.
- IA agente: Un enfoque que utiliza uno o varios modelos de IA capaces de planificar y ejecutar tareas con distintos niveles de autonomía y mínima supervisión humana.
Ahora que hemos definido los tipos de IA más populares y emergentes, profundicemos en los casos de uso para comprenderlos mejor.
Casos de uso para múltiples tipos de IA
IA industrial :
El análisis predictivo mediante sensores IoT y análisis de datos para monitorizar el estado de los equipos en tiempo real y predecir posibles fallos antes de que ocurran es una aplicación popular de la IA industrial. Las empresas están aprovechando la IA industrial para la mejora y optimización de procesos, utilizando el aprendizaje automático y la visión artificial para lograr eficiencia, reducción de energía y aumento de la productividad. La aplicación de gemelos digitales para replicar virtualmente activos, procesos o sistemas físicos y utilizar datos en tiempo real, aprendizaje automático y simulación para predecir, optimizar y automatizar operaciones está ganando impulso. La optimización de la logística y la planificación de la cadena de suministro en las operaciones de transporte y almacenamiento ha sido extremadamente eficaz para lograr la fabricación justo a tiempo y reducir los plazos de entrega.
IA física :
Un ejemplo de IA física son los robots autónomos para la selección y clasificación en almacenes, el transporte, la paletización y la logística automatizada para tareas que requieren mucha mano de obra. También existen robots cortacésped y automatización de la construcción, como la demolición y la colocación de ladrillos. Se puede utilizar en entornos hostiles o tóxicos, manteniendo a los humanos fuera de peligro. La IA se está utilizando en drones que operan de forma independiente para inspecciones y patrullas de seguridad en redes eléctricas, oleoductos, granjas, obras de construcción, etc. Los drones pueden percibir su entorno, navegar de forma autónoma y tomar decisiones en tiempo real. La aplicación que recibe mayor atención mediática son los vehículos autónomos y los camiones autodirigidos para el transporte y la distribución, para una operación segura, ininterrumpida y sin conductor. Se están implementando robots quirúrgicos para una mayor precisión y control, así como para la automatización de la logística hospitalaria.
Inteligencia artificial generativa :
La aplicación más común es, sin duda, la IA generativa, que transforma la creación de contenido para producir texto, imágenes, vídeos y código a partir de las indicaciones y consultas del usuario. Se ha utilizado ampliamente para acelerar la generación de activos, permitiendo producir contenido más personalizado a gran escala. Algunos ejemplos de generación de contenido populares incluyen correos electrónicos de marketing personalizados, publicaciones de blog, páginas de destino y contenido para redes sociales. Otra aplicación frecuente en la vida cotidiana son los chatbots de atención al cliente que utilizan IA conversacional. Si bien el objetivo es proporcionar respuestas instantáneas, similares a las humanas y contextuales, los chatbots de IA son fáciles de reconocer para la mayoría de las personas. Las funciones de atención al cliente seguirán mejorando y llegará el día en que un chatbot de IA será indistinguible de un humano. La IA generativa destaca en la síntesis y el análisis de datos, ya que puede analizar instantáneamente grandes conjuntos de datos, documentos legales o transcripciones de llamadas para generar informes resumidos, algo que a la mayoría de las personas les llevaría meses o años. Una aplicación popular que está revolucionando el desarrollo de software y firmware en todos los sectores es Gen AI, que automatiza la creación de código, la depuración, la documentación y las pruebas, lo que aumenta drásticamente la productividad y acelera los ciclos de codificación, prueba e implementación.
IA agencial :
La IA agente está diseñada para operar de forma autónoma, pero rara vez funciona como un solo agente. Su rendimiento es óptimo al gestionar tareas complejas de múltiples pasos, ya que coordina un equipo de modelos y agentes de IA especializados, a veces por función, como investigador, programador o redactor de contenido. Este enfoque se denomina colaboración entre agentes, funcionalidad multiagente o mezcla de agentes (MoA). La IA agente destaca en escenarios que requieren razonamiento, planificación y acción. Puede descomponer problemas complejos en pasos más pequeños mediante el razonamiento de cadena de pensamiento (CoT) para lograr una precisión muy alta. A diferencia de los modelos estáticos, la IA agente utiliza el aprendizaje por refuerzo (RL) para adaptarse a nueva información y entornos cambiantes a lo largo del tiempo mediante ensayo y error.
Cómo difieren los casos de uso y una descripción general de la computación.
La IA industrial se centra principalmente en los datos, integrando información de TI y tecnología operativa (TO) para realizar análisis, tomar decisiones operativas o generar sugerencias para mejorar la eficiencia de procesos o sistemas. La IA industrial puede incluir monitorización y actuación en tiempo real, pero suele priorizar la gobernanza sobre la actuación física instantánea. Utilice la IA industrial para la previsión de la demanda, la gestión de inventarios, la gestión logística, el análisis predictivo, el mantenimiento predictivo y el control de calidad, con el fin de optimizar la producción.
Previsión de la demanda: La IA analiza conjuntos de datos vastos y complejos, que incluyen el clima, las tendencias y los cambios del mercado, para predecir la demanda con alta precisión, reduciendo el exceso de existencias y la falta de stock. La pila tecnológica de TI debe conectar los sistemas OT heredados (sensores, PLC y cámaras para recopilar datos en tiempo real de máquinas industriales) procesados por sistemas modernos basados en GPU utilizados en la infraestructura del centro de datos de IA , sistemas de TI de computación acelerada que utilizan marcos de aprendizaje automático y bibliotecas de IA industrial especializadas.
La IA física suele estar integrada en las unidades de procesamiento neuronal (NPU) de máquinas y robots, ya que debe detectar e interactuar con el mundo físico con baja latencia y un alto grado de seguridad, a menudo implementándose en entornos de computación perimetral . Las NPU modernas integradas en dispositivos pueden ofrecer de 2 a más de 35 TOPS (billones de operaciones por segundo). La IA física puede requerir capacidad de respuesta en tiempo real y diseños a prueba de fallos, ya que muchos de sus casos de uso pueden tener consecuencias catastróficas si fallan. Consideremos los robots móviles autónomos (AMR) para la desactivación de bombas o la detección de gases tóxicos, la cirugía robótica, la respuesta a pandemias y la reducción de la exposición para la entrega de alimentos, medicamentos y suministros, así como la navegación autónoma de vehículos de emergencia.
La IA generativa se centra en la generación de contenido (texto, imágenes, código, vídeos) y crea desde cero o aumenta la producción creada por humanos. En la mayoría de los casos, este contenido no necesita crearse en tiempo real. La IA generativa también se utiliza en el aumento del conocimiento, asistentes conversacionales, soporte técnico o mejoras de la productividad del desarrollo, como el desarrollo de firmware, software y código. El tamaño de la pila de TI depende del tamaño del modelo utilizado, la velocidad a la que se necesita el contenido, el alcance, la escala, la precisión y la calidad de la salida o respuesta requerida. Algunas pilas de TI que ejecutan inferencia de IA generativa funcionan con los últimos NVIDIA Blackwell Ultra NVL72 SuperPods, mientras que otras funcionan con servidores de computación acelerada muy modestos con una sola GPU. A medida que las aplicaciones de IA generativa maduren, las empresas verticalizarán y aprovecharán más modelos específicos del dominio entrenados con sus propios datos y los integrarán en sus flujos de trabajo existentes.
La IA agente enfatiza la autonomía con el objetivo de minimizar o eliminar la supervisión humana, a veces denominada «Human-in-the-Loop» (HITL). También emplea la orquestación de múltiples agentes que trabajan juntos para resolver tareas complejas. Una forma clave para que la IA agente sea más precisa es aprovechar el aprendizaje activo o por refuerzo. Cuando los agentes reciben retroalimentación, se adaptan y ajustan. La IA agente puede requerir baja latencia para algunas aplicaciones, como operaciones de redes de telecomunicaciones, control y seguridad en tiempo real en la fabricación, detección de fraude, gestión de riesgos y agentes conversacionales en soporte crítico para la vida o el negocio. Cada agente tiene su propia pila de TI; por lo tanto, la velocidad de respuesta agente está limitada por el modelo más lento. Ejemplos de IA agente no crítica en tiempo real incluyen el procesamiento inteligente de contratos, revisiones de cumplimiento y auditoría, y análisis y respuesta de encuestas de satisfacción del cliente. Si bien el objetivo es que los agentes de IA agente actúen solos, planificando, actuando y adaptándose, la realidad es que aún falta mucho para que esto suceda. Hoy en día, el enfoque está en determinar para qué tareas es más adecuada la IA agente y luego definir cómo combinar agentes, humanos o robots para lograr el mayor rendimiento. La clave del éxito de las implementaciones reside en la buena colaboración entre personas, agentes y herramientas.
¿Cuándo convergerán los tipos de IA en un agente de IA totalmente autónomo?
La IA ya ha comenzado a tener un impacto en nuestra vida cotidiana, pero aún nos encontramos en las primeras etapas. Las innovaciones en hardware y la funcionalidad de la IA avanzarán y madurarán a un ritmo muy elevado. Si bien la IA generativa ha sido el foco principal, la IA industrial, con sus capacidades de toma de decisiones específicas, representará la próxima ola de impacto. La IA física ya está aquí y también ganará impulso rápidamente. La IA agente llevará la IA generativa, industrial y física hacia operaciones autónomas y comenzará a converger en un único agente de IA totalmente autónomo.
¿Cuáles son los 4 tipos de IA?
Los cuatro tipos principales de IA son la IA industrial, la IA física, la IA generativa y la IA agencial. Cada una cumple una función diferente, desde el análisis y la optimización de datos hasta la automatización en el mundo real, la generación de contenido y la toma de decisiones autónoma.
¿Cuál es la diferencia entre la IA generativa y la IA automatizada?
La IA generativa se centra en crear contenido como texto, imágenes o código a partir de indicaciones, mientras que la IA agente va más allá al planificar, razonar y ejecutar tareas de varios pasos de forma autónoma utilizando uno o más modelos de IA.
¿Para qué se utiliza la IA industrial?
La IA industrial se utiliza para optimizar las operaciones mediante el mantenimiento predictivo, la previsión de la demanda, el control de calidad y la automatización de procesos. Aprovecha los datos de sensores y sistemas para mejorar la eficiencia, reducir el tiempo de inactividad y optimizar la toma de decisiones.
¿Qué es la IA física?
La IA física se refiere a los sistemas de inteligencia artificial integrados en máquinas o robots que pueden percibir su entorno, tomar decisiones y actuar en el mundo físico. Algunos ejemplos son los vehículos autónomos, los drones y la robótica utilizada en la fabricación y la logística.
¿Cómo afectan los diferentes tipos de IA a los centros de datos?
Los distintos tipos de IA requieren infraestructuras diferentes, desde sistemas de alto rendimiento basados en GPU para la IA generativa hasta entornos de borde de baja latencia para la IA física y automatizada. Esto impulsa la necesidad de soluciones de centros de datos escalables, eficientes y de alta densidad.
Una versión resumida de este artículo fue publicada previamente en Forbes .
Añadir comentario