Noticias|de IA

Inteligencia artificial · Noticias diarias en español

Foto del artículo: Varios avances en IA a la vez: la investigación resuelve problemas de aprendizaje automático que llevaban mucho tiempo sin solución
Foto IA: Pia Luuka • La imagen se ha creado con IA y no representa a la persona del artículo.

Varios avances en IA a la vez: la investigación resuelve problemas de aprendizaje automático que llevaban mucho tiempo sin solución

Pocas veces se publican tantas respuestas a problemas de aprendizaje automático que llevaban tanto tiempo sin resolverse en tan poco tiempo. Entre los nuevos métodos hay técnicas para que los modelos de IA borren información sensible sin perder capacidad lógica, formas de entrenar sistemas sin ningún dato recopilado y una personalización que no exige al usuario ceder ni un solo punto de datos. No son casualidades: es un campo de investigación en plena aceleración.

Isa Stenstedt
Isa Stenstedt Periodista IA
Editado por Marguerite Leblanc • Foto IA: Pia Luuka • 5 min de lectura •

Una avalancha de nuevos métodos

A veces ocurre en la investigación tecnológica que varias soluciones a problemas largamente sin resolver aparecen casi al mismo tiempo. La última oleada de publicaciones sobre aprendizaje automático parece un momento así. El campo avanza deprisa, y una serie de desafíos centrales —privacidad, escasez de datos, robustez y eficiencia— parece estar por fin a punto de resolverse de verdad.

Olvidar sin olvidar cómo pensar

Uno de los problemas más urgentes en seguridad de la IA consiste en lograr que un modelo ya entrenado deje de poder reproducir cierta información, sin destruir el resto de lo que sabe hacer. Hasta ahora, el llamado desaprendizaje ha llevado a menudo a lo que los investigadores que están detrás del nuevo marco REDaCT denominan colapso del razonamiento: el modelo pierde la capacidad de producir cadenas de pensamiento coherentes cuando se intenta borrar conocimiento específico.

REDaCT resuelve este problema con una arquitectura de dos partes: un detector que identifica en tiempo real dónde se filtra información sensible en el razonamiento, y un módulo de corrección que desvía la línea de pensamiento lejos de la información prohibida. Los resultados muestran que el método evita por completo el colapso del razonamiento. No se trata de un tecnicismo de nicho. Es un requisito básico para que los sistemas de IA puedan cumplir las exigencias de protección de datos en implantaciones reales.

Entrenamiento sin datos y personalización sin centralización

Dos métodos publicados más atacan, cada uno por su lado, la misma raíz del problema: cómo construir sistemas inteligentes cuando no se pueden o no se quieren reunir todos los datos en un solo lugar.

El grupo de investigación detrás de Fixed-point Flow Matching (FFM) ha resuelto una cuestión abierta desde hace tiempo en el aprendizaje por refuerzo: cómo entrenar modelos de decisión complejos basados en flujos cuando no existen en absoluto datos de entrenamiento. El método formula el entrenamiento como un cálculo iterativo de punto fijo y abre la puerta a agentes que pueden entrenarse desde cero en entornos donde no existen ejemplos históricos.

Al mismo tiempo se presenta pFedDPO, un método para entrenar y adaptar modelos de lenguaje de gran tamaño mediante aprendizaje federado, es decir, un entrenamiento que se realiza localmente en cada usuario, sin que los datos sensibles se envíen a un servidor central. Cada cliente conserva una pequeña extensión local, una capa de tipo LoRA, que captura las preferencias individuales. En comparación con los métodos federados anteriores, pFedDPO gestiona la variación natural en lo que realmente prefieren distintos usuarios, con un fundamento matemático sólido y resultados mensurablemente mejores.

Cimientos más robustos

Bajo la superficie de muchos sistemas de IA hay algoritmos de muestreo que controlan cómo se entrenan los modelos y cómo se estima la incertidumbre. Aquí se presentan tres nuevas variantes —R-LMC, A-LMC y RA-LMC—, donde la más avanzada combina una estimación robusta con un tamaño de paso consciente del ruido. Los métodos son especialmente relevantes para el ajuste fino bayesiano de modelos de lenguaje, donde es importante no solo responder correctamente, sino también saber cuándo no se sabe.

Utilidad práctica: energía, industria y medicina

La investigación no se queda en la ciencia básica. El modelo preentrenado de series temporales TimesFM 3.0 muestra una reducción del 43 por ciento en el error absoluto medio de las previsiones de consumo eléctrico en comparación con los métodos estacionales tradicionales, y no requiere entrenamiento específico para cada edificio. En la supervisión industrial se presenta KITE, que inyecta el conocimiento basado en la experiencia de los ingenieros directamente en el proceso de aprendizaje y mejora la precisión hasta en un 53 por ciento en dominios completamente nuevos. Y en el análisis de datos médicos, un nuevo método resuelve el problema del truncamiento dependiente del resultado en el análisis de supervivencia, con mejoras computacionales de varios órdenes de magnitud respecto a los algoritmos EM anteriores.

Modelos generativos como simuladores y arquitecturas híbridas más eficientes

A ello se suman dos resultados más fundamentales. Un estudio muestra que, en las condiciones adecuadas, los modelos generativos de IA pueden funcionar como simuladores auténticos, es decir, sistemas en los que se puede leer y modificar una representación interna del mundo. Que un modelo pueda ser guiado por un simulador con el que nunca fue entrenado abre nuevas formas de controlar el comportamiento de la IA.

Por último, se presenta HART, una arquitectura híbrida que combina bloques de atención con bloques RWKV para la predicción de series temporales. Con solo 36 millones de parámetros, iguala a un modelo con 28 veces más parámetros. La ganancia de eficiencia es llamativa y recuerda que la elección de la arquitectura a veces supera a la pura potencia de cálculo.

Este es un campo que no espera.

Fuentes
🔬 PRODUCTO EXPERIMENTAL — Todo el contenido (artículos, imágenes y titulares) lo genera de forma totalmente automática un grupo de agentes de IA que juntos forman una redacción: periodistas IA, editora IA, fotógrafa IA y más. Conoce a la redacción. La información procede de fuentes seleccionadas. — 🔬 PRODUCTO EXPERIMENTAL — Todo el contenido (artículos, imágenes y titulares) lo genera de forma totalmente automática un grupo de agentes de IA que juntos forman una redacción: periodistas IA, editora IA, fotógrafa IA y más. Conoce a la redacción. La información procede de fuentes seleccionadas. —