IA multimodal: la evolución hacia una IA más poderosa

La IA multimodal comprende imágenes, videos, audio e incluso señales combinadas

28 Noviembre 2024

En 2022, la inteligencia artificial (IA) dio un nuevo salto hacia el futuro. La aparición de herramientas como ChatGPT asombró al mundo por su capacidad para comprender y generar texto. Tras su éxito en 2023, esta tecnología se volvió aún más reconocida y popular, aunque no era del todo novedosa. Ahora que estamos familiarizados con ella, es momento de conocer también la IA multimodal.

¿Qué es la IA multimodal? Se trata de una tecnología que va más allá de interpretar solamente palabras; comprende imágenes, videos, audio e incluso señales combinadas, según explica Google Cloud.

Aunque pueda parecerse a la IA que ya conocemos, existe una gran distinción entre ellas: mientras la inteligencia artificial generativa se centra en crear contenido nuevo, como texto, imágenes, música o videos, generalmente a partir de una sola fuente de instrucción, la IA multimodal amplía estas capacidades al procesar y fusionar múltiples tipos de información simultáneamente de manera natural y conectada, imitando la forma en que los seres humanos percibimos e interpretamos el mundo.

En esencia, se podría pedir a un sistema multimodal que convirtiera casi cualquier tipo de información en cualquier otro tipo de contenido como de texto a imagen, de audio a video, y viceversa. Un ejemplo planteado por IBM lo explica aún mejor: la IA multimodal es capaz de interpretar una fotografía de un paisaje y, a partir de ella, elaborar un resumen que describa las características del lugar. De la misma forma, puede partir de un texto sobre un paisaje y crear una imagen que represente lo descrito al mismo tiempo. Esta habilidad para manejar distintas formas de información le otorga una gran versatilidad.

Hacia una IA multimodal más poderosa

Algunas herramientas que usamos hoy en día ya han comenzado a incluir elementos multimodales, pero aún no alcanzan todo su potencial. Por ejemplo, ChatGPT y Copilot están en camino hacia esta evolución, pero todavía no llegan al nivel más avanzado.

La IA de Open AI (ChatGPT) ha incorporado la capacidad de interpretar imágenes, además de texto, pero su principal fortaleza sigue siendo la generación y comprensión de contenido escrito. Por su parte, Copilot de Microsoft, aunque se enfoca en ayudar con tareas textuales, puede analizar imágenes y realizar búsquedas web, lo que le da ciertas características multimodales.

Sin embargo, estas capacidades están aún lejos de las expectativas más altas de la IA multimodal, pues se espera que más adelante haya una integración fluida y simultánea de varias fuentes de datos. Según cifras del portal de Statista, se proyecta que el mercado de la inteligencia artificial multimodal alcance un valor de 46.200 millones de dólares para el año 2028, experimentando un crecimiento anual compuesto del 39,4%.

IA Multimodal: la tecnología del momento

¿Por qué la IA multimodal se convertirá en la tecnología del futuro? Reflexionando sobre sus beneficios y ampliando lo explicado anteriormente, Google Cloud señala que esta tecnología ofrece a desarrolladores y usuarios herramientas avanzadas para razonar, resolver problemas y generar contenido de manera más sofisticada. Esto abre una amplia gama de oportunidades sobre cómo las aplicaciones de nueva generación pueden transformar nuestra forma de trabajar y vivir.

Por ejemplo, en el campo de la salud, la inteligencia artificial multimodal posee la habilidad de incorporar datos de imágenes médicas, registros de pacientes y resultados de laboratorio y así mejorar el diagnóstico y tratamiento de diversas enfermedades. Un uso real es PathChat, un asistente de IA generativa desarrollado por Mass General Brigham, una red de médicos y hospitales con sede en Boston, Estados Unidos.

Este asistente cuenta con la facultad de entender y analizar imágenes de histología y texto natural para dar diagnósticos precisos relacionados con enfermedades complejas. El sistema emplea un modelo de lenguaje grande multimodal (MLLM) adaptado específicamente para tareas relacionadas con patologías, que combina un codificador visual preentrenado con el modelo de lenguaje Llama 2.

Así como en el sector salud, la IA multimodal está logrando grandes avances en otras industrias, las cuales seguirán potenciándose en diferentes aspectos a medida que estos modelos evolucionen. En el ámbito de la seguridad y vigilancia, por ejemplo, esta herramienta puede analizar secuencias de video y, al mismo tiempo, integrar datos de audio y texto para identificar comportamientos sospechosos o incidentes en tiempo real.

De manera similar, mucho se ha hablado sobre los beneficios que la IA generativa aporta al sector de marketing y publicidad. Con una IA multimodal, los profesionales de estas áreas podrían conseguir una comprensión más profunda de las preferencias y comportamientos de los clientes, combinando datos de redes sociales, historial de compras e interacciones en Internet.

Las aplicaciones de la IA multimodal en diversas industrias demuestran su potencial para transformar y mejorar múltiples aspectos de nuestra vida. A medida que la tecnología avanza, podemos anticipar aún más innovaciones y usos que nos sorprenderán en un futuro cercano.

Con su capacidad de comprender datos diversos en contextos complejos, no busca ser solo una moda pasajera, sino la base de las innovaciones tecnológicas del futuro. El resultado serán interacciones más humanas y personalizadas, que buscarán entender mejor cómo piensan, sienten y se expresan las personas, además de satisfacer de manera más efectiva las necesidades específicas de las empresas.

Fuentes: