IA que saborea, olvida y razona: así cambia la investigación de la semana la tecnología del mañana
Desde predecir el sabor de los alimentos de origen vegetal hasta borrar datos sensibles bajo petición, la investigación en IA de esta semana abarca campos sorprendentemente amplios. Hemos revisado seis nuevos estudios y valoramos cuáles pueden tener importancia más allá del laboratorio.
Una semana en la sala de máquinas de la investigación en IA
Es fácil ahogarse en el flujo de artículos de arXiv. Cada semana se publican cientos de estudios, y la mayoría desaparece en el ruido. Pero a veces surge un puñado que, en conjunto, cuenta algo interesante sobre hacia dónde se dirige el campo. Esta semana es una de esas.
Empecemos con algo inesperado: el sabor.
¿Puede la IA ser un catador mejor que tú?
El grupo de investigación detrás de TasteBench se ha planteado una pregunta concreta: ¿puede un modelo de IA predecir si un producto de origen vegetal sabe como su original animal? El sistema se basa en más de 21 000 evaluaciones humanas de 215 alimentos, combinadas con una base de datos de 15 000 moléculas pequeñas.
El mejor modelo acertó en el 66,1 % de las comparaciones por pares, lo que equivale al nivel de un catador individual promedio. Quizá no suene espectacular, pero el objetivo no es superar a un experto. El objetivo es escalar. Desarrollar productos proteicos sostenibles se ve hoy frenado por paneles de cata caros y que requieren mucho tiempo, con personas reales como evaluadoras. Si una herramienta computacional puede hacer el trabajo pesado, como el acoplamiento molecular (docking molecular) hace en el desarrollo de fármacos, el ritmo del desarrollo alimentario sostenible podría aumentar notablemente.
Es un caso de uso pragmático y bien justificado.
Modelos de lenguaje como analistas de decisiones
Otro estudio muestra que los grandes modelos de lenguaje pueden automatizar el llamado modelado estructural interpretativo (ISM), un método consolidado para cartografiar relaciones causales complejas en procesos de decisión. Tradicionalmente, el método exige reuniones repetidas con expertos del dominio, lo que dificulta su escalado cuando aumenta el número de variables.
Los resultados son prometedores: los mejores métodos alcanzaron valores de F1 de 0,77, un nivel lo bastante sólido como para tomar el método en serio en aplicaciones prácticas. No se trata de sustituir al experto, sino de poner el conocimiento experto al alcance en situaciones donde, de otro modo, no existiría.
Olvidar de la manera correcta, y demostrarlo
Dos de los estudios de la semana giran en torno a un tema que gana importancia a medida que se endurecen las normas de protección de datos: ¿qué ocurre con la información que un modelo de IA ya ha aprendido cuando esa información debe eliminarse?
ExecCert es un nuevo sistema que certifica que un modelo realmente ha desaprendido datos de entrenamiento específicos antes de ponerse en funcionamiento. Suena sencillo, pero el problema es técnicamente complejo: las garantías matemáticas existentes no siempre coinciden con el comportamiento real del software. ExecCert introduce, entre otras cosas, la técnica RRV, que compara el modelo con una referencia basada en un reentrenamiento con los datos restantes, y un método incremental para los borrados continuos.
Esta es una respuesta directa a exigencias regulatorias reales: el derecho al olvido ya no es un experimento mental académico.
En sentido contrario, CLEAN, un marco de diagnóstico cognitivo para la educación, aborda el problema opuesto: ¿cómo aprende un sistema de IA cosas nuevas sin olvidar lo antiguo? El olvido catastrófico, es decir, que un nuevo entrenamiento sobrescriba la información aprendida previamente, es un problema bien conocido. CLEAN lo resuelve mediante un aislamiento arquitectónico, en el que las funciones históricas se congelan estructuralmente y los nuevos conceptos se aprenden en ramas separadas de la red. En las pruebas se logró una deriva de representación de cero, lo que significa que los perfiles previos de los estudiantes se conservan por completo sin cambios.
Pronóstico de precios de la electricidad y aprendizaje en tiempo real
El punto de referencia TRACE para el pronóstico de precios de la electricidad muestra que los textos operativos oficiales, es decir, información realmente disponible en el momento de la predicción, pueden mejorar la precisión en los picos de precio en un 7,4 % en la mediana. No es una revolución, pero sí una contribución metodológica bien elaborada que recuerda que los modelos numéricos a veces pasan por alto lo que realmente explica los movimientos de precios.
Por último, se presenta un nuevo algoritmo de optimización en tiempo real que funciona sin conocer los parámetros de ruido centrales y, aun así, alcanza un rendimiento teóricamente óptimo. Es una contribución más abstracta, pero con relevancia práctica para sistemas en los que los datos fluyen de forma continua y las condiciones cambian constantemente.