La democratización puede ser la palabra favorita de la industria de la IA, y con razón, ya que se ha ganado ese derecho a hablar de ella.

A comienzos de la década, construir cualquier cosa con aprendizaje automático exigía un gran equipo de investigación y un presupuesto significativo, y eso lo alejaba de muchos.

Hoy, sin embargo, la barrera para usar IA avanzada se ha reducido prácticamente por completo, y lo que antes era una tecnología silenciosa en segundo plano ha ocupado el protagonismo en el trabajo diario y en la conversación cotidiana.

Pero el acceso es solo la capa superficial. Debajo hay otra capa que, probablemente, importa más que el acceso a la IA en sí, y esa capa es el entrenamiento.

A diferencia del acceso, el entrenamiento de modelos no se ha democratizado en absoluto. La industria ha hecho fácil consumir un modelo y casi imposible crear uno.

Esto necesita cambiar.

Un guardián de la innovación

Si miramos de cerca qué es lo que la “democratización” ha entregado hasta ahora, vemos que lo que se ha abierto es solo el consumo. Cualquiera puede interactuar directamente con un modelo de IA, incluso sin formación técnica, y puede construir una aplicación en una tarde con un mínimo esfuerzo. Las liberaciones de pesos abiertos significan que cualquiera puede ejecutar un modelo en su propio hardware, sin depender de una API. Estos son avances genuinos que han contribuido a definir el mundo impulsado por IA en el que vivimos.

Lo que aún no se ha abierto es la capacidad de entrenar un modelo. Actualmente, producir un modelo de frontera sigue requiriendo capital medido en miles de millones, talento especializado escaso que solo unos pocos laboratorios pueden atraer y retener, conjuntos de datos vastos y ciclos de reentrenamiento que deben repetirse cada seis a doce meses solo para mantenerse actualizados.

Es un ciclo que frena el progreso y una barrera que ninguna startup, organización de salud con recursos limitados o fabricante de tamaño medio puede superar. Funciona como un guardián de la innovación, y es uno que las organizaciones con mayores recursos tienen todos los incentivos comerciales para mantener cerrado, porque la escasez de capacidad de entrenamiento es exactamente lo que protege su posición en el mercado.

Existe una dicotomía. El costo de usar un modelo ha caído casi a cero. El costo de hacer uno ha subido hacia los límites de lo que el capital privado puede sostener.

¿Puede ayudar el código abierto?

Algunos podrían argumentar que la solución es recurrir a modelos de pesos abiertos. Los pesos abiertos, sostiene el argumento, resuelven el problema de propiedad. Puedes descargar el modelo, ejecutarlo, ajustarlo y desplegarlo sin pedir permiso a nadie. Sin embargo, esto no es entrenamiento democratizado. Puede estar más cerca, pero poseer los pesos no es lo mismo que poseer el propio modelo.

Un modelo de pesos abiertos sigue siendo el resultado congelado de un proceso de entrenamiento realizado por la organización que lo produjo. Lo que los usuarios reciben es el resultado de ese proceso. Es cierto que pueden ajustar el modelo hasta cierto punto. Pero lograrlo de manera eficaz exige experiencia, computación y datos limpios. Y, a medida que el mundo avanza, el modelo envejece y requiere reentrenamiento.

Así que, a pesar de sus ventajas aparentes, los pesos abiertos no ofrecen a los usuarios la capacidad de producir y mejorar continuamente un modelo. Esa capacidad sigue estando en manos de los laboratorios que lo produjeron.

El cambio que podría revolucionar la innovación

En mi opinión, si la democratización llega a la capa de entrenamiento y permite a los usuarios la verdadera capacidad de crear, entrenar y poseer un modelo, se pueden abrir varias transformaciones estructurales que podrían acelerar de manera significativa la innovación en todos los sectores.

La propiedad persiste más allá del proveedor. Si un modelo es entrenado por su usuario con los datos que posee, los pesos le pertenecen sin restricciones de licencias, y no desaparecerá si la empresa que proporcionó las herramientas para construirlo desaparece. Diez líneas más de relación dejan de ser una suscripción. Ese único cambio elimina la dependencia de la que se basa el mercado actual.

Los modelos deben aprender de forma continua. Si el entrenamiento puede realizarse de manera continua y no como un evento cíclico y centralizado, el modelo no tiene que congelarse al desplegarse. Puede seguir aprendiendo de nuevos datos en producción sin costosos ciclos de reentrenamiento y sin necesidad de un equipo de especialistas para operarlo. Las soluciones temporales se vuelven innecesarias porque la limitación subyacente desaparece.

Cuando el control de lo que aprende un modelo y cómo ocurre se sitúa a nivel del usuario, la cadena de responsabilidad es legible. Ese es el tipo de trazabilidad que los reguladores esperan y que los modelos de frontera en negro no pueden proporcionar.

Estos son los beneficios distribuidos que hacen que la “democratización” sea la palabra correcta por fin. Si la capacidad de entrenar un modelo se comparte ampliamente, entonces el valor, el control y la responsabilidad también se comparten. La Inteligencia de Aprendizaje General considera el aprendizaje como parte de la arquitectura, no como un costo que solo pueden asumir los laboratorios más grandes.

El acceso a los modelos ya es barato y se encarece cada vez menos. Sin embargo, el acceso al entrenamiento no lo es, y ahí se decidirá la próxima fase de la competencia.

Hemos revisado, calificado y clasificado los mejores portátiles para programar: para programadores profesionales, codificadores, ingenieros de software y desarrolladores.

Este artículo fue producido como parte de TecnhRadar Pro Perspectives, nuestro canal para presentar las mentes más brillantes de la industria tecnológica hoy.

Las opiniones expresadas aquí son del autor y no necesariamente las de TechRadarPro o Future plc. Si está interesado en contribuir, descubra más aquí: https://www.techradar.com/pro/perspectives-how-to-submit