La aparición de la Inteligencia Artificial Generativa (GenAI) está moldeando y revolucionando el futuro de la gestión de la innovación.

Este manual se adentra en la investigación innovadora presentada en "Inteligencia Artificial Generativa en la Gestión de la Innovación: Un Adelanto de los Desarrollos Futuros de la Investigación" por Marcello Mariani y Yogesh K. Dwivedi (2024). Es una obra seminal que ofrece una visión comprensiva del potencial transformador de la GenAI en este campo.

Exploraremos el estado actual del conocimiento, las direcciones futuras de investigación y las profundas maneras en que esta tecnología emergente está preparada para remodelar el panorama de la innovación, desde la ideación hasta la comercialización.

¿Qué puede hacer la GenAI?

La GenAI, un subconjunto de la inteligencia artificial, está revolucionando industrias al permitir la creación de contenido, ideas y soluciones novedosas. Su impacto ya es evidente en diversos sectores.

En los medios de comunicación, organizaciones como Forbes y The New York Times están aprovechando la GenAI para automatizar la creación de contenido, con Gartner prediciendo que para 2025, un tercio de los mensajes publicitarios de grandes organizaciones serán generados sintéticamente (Wiles, 2023).

En la industria farmacéutica, la GenAI está acelerando el descubrimiento de medicamentos al automatizar el diseño molecular y la planificación de síntesis, con Gartner estimando que más del 30% de los nuevos medicamentos y materiales serán descubiertos usando GenAI para 2025 (Wiles, 2023).

Las implicaciones financieras de este cambio tecnológico son significativas, con firmas de capital de riesgo invirtiendo más de $1.7 mil millones en soluciones GenAI en recientes años, particularmente en el descubrimiento de medicamentos y la codificación de software (Wiles, 2023).

El ascenso de la GenAI no es simplemente un avance incremental. Representa un cambio de paradigma en cómo se concibe y ejecuta la innovación. Al automatizar tareas complejas, generar ideas novedosas y acelerar los ciclos de desarrollo, la GenAI está preparada para redefinir los límites de lo posible.

Pero este rápido progreso también saca a la luz desafíos críticos. Un informe del Foro Económico Mundial de 2021 destaca que mientras la IA tiene el potencial de automatizar 85 millones de empleos para 2025, también podría crear 97 millones de nuevos roles. La adopción de la GenAI plantea preocupaciones sobre el desplazamiento laboral, el uso ético, posibles sesgos en los algoritmos y la necesidad de marcos regulatorios robustos.

Además, los costos sustanciales asociados con el desarrollo e implementación de soluciones GenAI pueden crear barreras de entrada para empresas más pequeñas, potencialmente exacerbando las desigualdades existentes en el panorama de la innovación.

A pesar de estos desafíos, el potencial transformador de la GenAI en la gestión de la innovación es innegable. Al estar en la cúspide de esta revolución tecnológica, debemos participar en un diálogo continuo y adoptar un enfoque multidisciplinario para poder aprovechar el poder de la GenAI para una innovación responsable y con impacto. Esto implica no solo entender las capacidades técnicas de la GenAI, sino también abordar las implicaciones éticas, sociales y económicas de su adopción generalizada.

Navegando este complejo panorama de manera reflexiva y deliberada, podemos desbloquear todo el potencial de la GenAI para impulsar la innovación, crear valor y dar forma a un futuro mejor para todos.

Aquí está lo que cubriremos:

1. GenAI y tipos de innovación
2. GenAI, diseños dominantes y evolución tecnológica
3. Creatividad científica y artística e innovaciones habilitadas por GenAI
4. GenAI y el desarrollo de nuevos productos
5. GenAI, agencia y ecosistemas
6. Mal uso y uso no ético de la GenAI que lleva a una innovación sesgada
7. Diseño organizacional y fronteras para la innovación habilitada por GenAI

Capítulo 1: GenAI y tipos de innovación

La Inteligencia Artificial Generativa (GenAI) es una tecnología transformadora que impacta significativamente varios tipos de innovación, incluyendo la innovación de productos, procesos, marketing y organizacional.

Este capítulo explora cómo la GenAI facilita estos diferentes tipos de innovación, respaldado por marcos teóricos y ejemplos del mundo real.

Innovación de producto

La innovación de producto implica la creación de bienes o servicios nuevos o significativamente mejorados. La GenAI impulsa la innovación de producto generando contenido novedoso como texto, imágenes, música y moléculas complejas. Por ejemplo, GPT-4 de OpenAI se utiliza para la generación de texto sofisticado, mientras que DALL-E 2 crea imágenes de alta calidad a partir de descripciones textuales (Martineau, 2023).

En la industria farmacéutica, empresas como Generate Biomedicines e Iktos aprovechan la GenAI para el diseño de medicamentos de novo, reduciendo significativamente el tiempo y el costo asociados con los procesos tradicionales de descubrimiento de medicamentos (Merk et al., 2018). Estos ejemplos subrayan la capacidad de la GenAI para producir productos novedosos que satisfacen las necesidades emergentes del mercado.

Innovación de proceso

La innovación de proceso se refiere a la implementación de métodos de producción o entrega nuevos o significativamente mejorados. La GenAI mejora la innovación de proceso al optimizar flujos de trabajo y automatizar tareas complejas. Por ejemplo, Roche usa datos médicos sintéticos generados por GenAI para realizar investigaciones clínicas, garantizando la privacidad de datos mientras acelera los tiempos de investigación (IBM, 2022).

Innovación en marketing

La innovación en marketing implica el desarrollo de nuevos métodos de marketing, incluyendo cambios significativos en el diseño del producto, el embalaje, la colocación, la promoción o el precio. GenAI revoluciona el marketing mediante la creación de contenido personalizado y atractivo.

Por ejemplo, Zalando utilizó tecnología deepfake para crear 60,000 mensajes de video personalizados para sus clientes, mejorando el compromiso del cliente y la lealtad a la marca (Foley, 2022).

Además, Coca-Cola emplea ChatGPT y DALL-E para elaborar textos publicitarios e imágenes personalizadas, demostrando cómo GenAI puede adaptar los esfuerzos de marketing a las preferencias individuales de los consumidores. Estas innovaciones ilustran el potencial de GenAI para transformar las estrategias de marketing y mejorar las relaciones con los clientes.

Innovación organizacional

La innovación organizacional se refiere a la implementación de nuevos métodos organizacionales en las prácticas empresariales, la organización del lugar de trabajo o las relaciones externas. GenAI facilita la innovación organizacional al redefinir roles y mejorar la coordinación dentro de las empresas.

Por ejemplo, el chatbot de IBM para fines de reclutamiento responde 700 preguntas al día, agilizando el proceso de contratación y permitiendo que los gerentes de recursos humanos se concentren en tareas más complejas (IBM, 2022).

Y empresas como Heineken están integrando GenAI en sus procesos de transformación ágil, mejorando la colaboración entre departamentos y con socios externos. Estos ejemplos demuestran cómo GenAI puede redefinir las estructuras y procesos organizacionales, llevando a operaciones empresariales más ágiles y receptivas.

Innovación radical e incremental

La innovación radical implica cambios fundamentales que representan cambios revolucionarios en la tecnología, mientras que la innovación incremental se refiere a mejoras menores o ajustes simples en la tecnología actual (Dewar & Dutton, 1986). GenAI admite ambos tipos de innovación.

• Innovación Radical: GenAI permite la creación de formas completamente nuevas de contenido, lo que podría inaugurar nuevos dominios artísticos como arte, música y literatura generados por GenAI, así como nuevos dominios científicos como la química generativa. Por ejemplo, el proyecto "Generative Chemistry" de Microsoft entrena sistemas de aprendizaje automático para ayudar a los químicos y farmacéuticos a encontrar rápidamente candidatos relevantes para nuevos proyectos de medicamentos, acelerando significativamente el proceso de desarrollo de fármacos (Microsoft, 2023).
• Innovación Incremental: GenAI también facilita la innovación incremental generando nueva música, moléculas, imágenes y películas. Herramientas como Midjourney para la generación de imágenes, Riffusion para la generación de música, y GPT-4 de OpenAI para la generación de texto ejemplifican esto. Como lo señalan Jamie Chen y Kaushik Jayaram, "ChatGPT puede automatizar rápidamente la producción de correos electrónicos persuasivos, anuncios atractivos o publicaciones cautivadoras en redes sociales, aumentando efectivamente la producción de marketing" (Simon Kucher, 2023).

Como puede ver, GenAI es una herramienta versátil que impulsa varios tipos de innovación en diferentes dominios. Al permitir la creación de nuevos productos, optimizar procesos, mejorar estrategias de marketing y facilitar cambios organizacionales, GenAI tiene el potencial de transformar significativamente el panorama de la innovación.

La investigación futura debería continuar explorando estas aplicaciones, proporcionando ideas más profundas sobre cómo GenAI puede integrarse efectivamente en las prácticas de gestión de la innovación.

Capítulo 2: GenAI, diseños dominantes y evolución tecnológica

GenAI se encuentra actualmente en una fase transformadora, caracterizada por rápidos avances y adopción generalizada en diversas industrias.

Este capítulo explora el concepto de diseños dominantes en el contexto de GenAI y sus implicaciones para la evolución tecnológica, basándose en marcos teóricos establecidos y ejemplos del mundo real para proporcionar un análisis comprensivo.

Marcos teóricos y diseños dominantes

El concepto de diseños dominantes, tal como lo articulan Utterback y Abernathy (1975), postula que la evolución tecnológica sigue un patrón en el que un período inicial de experimentación y variación es seguido por la aparición de un diseño dominante que establece el estándar para innovaciones subsecuentes.

Este modelo ha sido validado en múltiples industrias, incluyendo cemento, vidrio y computadoras (Anderson & Tushman, 1990).

En el contexto de GenAI, actualmente estamos presenciando una era de fermentación, caracterizada por una experimentación significativa con diferentes modelos y arquitecturas, como Redes Generativas Adversarias (GANs), Autoencoders Variacionales (VAEs), y modelos basados en transformadores como GPT-4 y DALL-E (Vaswani et al., 2017; Goodfellow et al., 2014).

Estado actual de GenAI y tendencias emergentes

La rápida adopción de tecnologías GenAI, como ChatGPT de OpenAI y Bard de Google, indica una trayectoria de rápido avance hacia un diseño dominante.

Por ejemplo, ChatGPT alcanzó 100 millones de usuarios activos mensuales en dos meses desde su lanzamiento, convirtiéndose en la aplicación de consumo de más rápido crecimiento en la historia (Hu, 2023). Esta tasa de adopción sin precedentes sugiere que GenAI está a punto de establecer un diseño dominante, particularmente en procesamiento de lenguaje natural y generación de contenido.

Esta competencia no se trata únicamente de la superioridad tecnológica, sino también de la adopción en el mercado e integración en los ecosistemas empresariales existentes.

Implicaciones para la evolución de la tecnología

La evolución de las tecnologías de GenAI puede comprenderse a través del lente de las curvas S tecnológicas, que describen el ciclo de vida de las innovaciones tecnológicas desde su introducción hasta su madurez (Foster, 1986).

Actualmente, GenAI se encuentra en la fase de rápido crecimiento de su curva S, caracterizada por mejoras significativas en el rendimiento y una adopción generalizada. Esta fase se marca por altos niveles de inversión e investigación, como lo demuestran los $1.7 mil millones invertidos en soluciones GenAI durante los últimos tres años, especialmente en el descubrimiento de fármacos y la codificación de software (Wiles, 2023).

A medida que las tecnologías de GenAI maduren, podemos esperar la aparición de un diseño dominante que estandarizará la arquitectura y las funcionalidades de los sistemas GenAI. Este diseño dominante probablemente se caracterizará por su capacidad para integrarse sin problemas con las infraestructuras digitales existentes, proporcionar altos niveles de satisfacción del usuario y ofrecer un rendimiento robusto en múltiples aplicaciones.

La arquitectura transformer, con su versatilidad para manejar diversas modalidades de datos, es una fuerte candidata a convertirse en el diseño dominante en GenAI (Vaswani et al., 2017).

Ejemplos reales de GenAI en acción

GenAI está siendo cada vez más reconocida por su potencial transformador en varios sectores críticos, incluyendo la atención sanitaria, el ámbito militar, la respuesta rápida y la ciberseguridad.

A continuación se presentan algunos ejemplos de cómo se está aplicando GenAI en estas áreas.

1. Sector de la salud

Descubrimiento y desarrollo de fármacos:

GenAI está revolucionando el descubrimiento de fármacos al agilizar la identificación de candidatos prometedores y predecir posibles efectos secundarios. Esto reduce significativamente el tiempo y el costo asociados con los procesos tradicionales de desarrollo de fármacos.

Por ejemplo, las plataformas impulsadas por GenAI pueden analizar vastas bases de datos genéticas para identificar potenciales candidatos a medicamentos para trastornos genéticos raros, lo que ayuda a acelerar el desarrollo de medicamentos que salvan vidas (Calls9 Insights, 2023).

Protocolos de tratamiento personalizado:

En medicina personalizada, GenAI puede analizar la composición genética de un paciente para sugerir los planes de tratamiento más efectivos, particularmente en oncología.

Al considerar las mutaciones genéticas, las respuestas a tratamientos anteriores y el estado de salud actual, GenAI puede recomendar planes de tratamiento personalizados que minimicen los efectos secundarios y mejoren las tasas de supervivencia (Saxon AI, 2023).

Documentación médica y tareas administrativas:

GenAI simplifica la documentación médica al transcribir las conversaciones entre el médico y el paciente en tiempo real, creando registros médicos detallados y precisos sin necesidad de tomar notas manualmente.

Esta automatización reduce la carga administrativa sobre los profesionales de la salud, permitiéndoles centrarse más en la atención al paciente (McKinsey, 2023).

2. Sector militar

Planificación operacional y  apoyo a la decisión:

En operaciones militares, GenAI mejora la conciencia situacional y la toma de decisiones integrando datos en tiempo real de varias fuentes.

Por ejemplo, la Fuerza de Tarea Lima del Departamento de Defensa de EE.UU. está explorando el potencial de GenAI para mejorar la inteligencia, la planificación operativa y los procesos administrativos.

GenAI puede analizar datos históricos, inteligencia actual y modelos predictivos para proporcionar a los comandantes planes de batalla óptimos y evaluaciones de riesgo en tiempo real (Armada International, 2023).

Fusión de datos en tiempo real:

Las aplicaciones de GenAI en el ámbito militar pueden integrar inteligencia en tiempo real de múltiples fuentes, como activos de ISR (Inteligencia, Vigilancia y Reconocimiento), para proporcionar una imagen completa y actualizada del campo de batalla.

Esta capacidad permite ajustes rápidos en los planes de misión basados en los datos situacionales más recientes, mejorando la efectividad y la seguridad de las operaciones militares (VANTIQ, 2023).

3. Respuesta rápida

Análisis predictivo para crisis sanitarias:

Durante crisis sanitarias como pandemias, los modelos de GenAI pueden analizar vastos conjuntos de datos para predecir la propagación de virus y su impacto.

Por ejemplo, la herramienta EVEscape desarrollada por investigadores de la Escuela de Medicina de Harvard y la Universidad de Oxford utiliza modelos generativos para predecir cómo los virus podrían evolucionar para escapar de las respuestas inmunitarias, ayudando en el desarrollo de vacunas y terapias (Calls9 Insights, 2023).

Coordinación de la respuesta de emergencia:

GenAI puede mejorar la respuesta de emergencia proporcionando análisis de datos en tiempo real e información predictiva.

Por ejemplo, en la gestión de desastres, GenAI puede analizar patrones climáticos, datos históricos e informes en tiempo real para predecir el impacto de desastres naturales y optimizar la asignación de recursos para los equipos de respuesta de emergencia (NextGov, 2024).

4. Ciberseguridad

Detección y respuesta a amenazas:

En ciberseguridad, GenAI puede analizar el tráfico de red y el comportamiento del usuario para detectar anomalías y posibles amenazas en tiempo real. Aprovechando grandes conjuntos de datos y algoritmos avanzados, GenAI puede identificar patrones indicativos de ciberataques y proporcionar respuestas automatizadas para mitigar los riesgos.

Detección de fraude:

Las instituciones financieras están utilizando GenAI para mejorar los sistemas de detección de fraude. Por ejemplo, JPMorgan Chase ha integrado GenAI para reducir los falsos positivos y mejorar la seguridad de las transacciones, protegiendo así las transacciones financieras y manteniendo la integridad de los sistemas financieros (Davenport & Ronanki, 2018).

La integración de la IA Generativa en los sectores de salud, militar, respuesta rápida y ciberseguridad no solo mejora la eficiencia y la seguridad, sino que también fomenta la innovación.

Estas aplicaciones resaltan el potencial transformador de GenAI, convirtiéndola en una tecnología fundamental en el panorama digital contemporáneo. Al aprovechar GenAI, las organizaciones pueden lograr avances significativos en la efectividad operativa, servicios personalizados y gestión proactiva de amenazas, lo que lleva a mejores resultados y mayor éxito en las misiones.

Direcciones futuras de investigación

La investigación futura debe centrarse en varias áreas clave para comprender mejor el impacto de GenAI en la evolución de la tecnología y los diseños dominantes:

1. Dinámicas del mercado y adopción: Investigar los factores que influyen en la adopción de tecnologías GenAI en diferentes industrias y cómo estos factores contribuyen a la aparición de un diseño dominante.
2. Integración con Sistemas Existentes: Explorar cómo GenAI puede integrarse con infraestructuras digitales existentes y los desafíos asociados con dicha integración.
3. Implicaciones éticas y legales: Examinar los desafíos éticos y legales planteados por GenAI, particularmente en términos de derechos de propiedad intelectual y el potencial de uso indebido.
4. Colaboración Humano-GenAI: Estudiar las dinámicas de colaboración entre humanos y sistemas GenAI, particularmente en procesos creativos y de toma de decisiones.
5. Impacto en el empleo y las habilidades: Analizar el impacto de GenAI en el empleo y las habilidades requeridas en la fuerza laboral, y cómo las organizaciones pueden gestionar esta transición.

La trayectoria de GenAI hacia un diseño dominante está moldeada tanto por los avances tecnológicos como por las dinámicas del mercado. A medida que GenAI continúa evolucionando, probablemente seguirá los patrones establecidos de evolución tecnológica, culminando en la aparición de un diseño dominante que establecerá el estándar para futuras innovaciones.

Este proceso será impulsado por la interacción de las capacidades tecnológicas, la adopción en el mercado y las acciones estratégicas de las principales empresas tecnológicas.

La investigación futura debería continuar monitoreando estos desarrollos y explorar las implicaciones del diseño dominante de GenAI para diversas industrias y prácticas de gestión de la innovación.‌

Capítulo 3: Creatividad científica y artística e innovaciones habilitadas por GenAI

GenAI ha emergido como una tecnología transformadora con el potencial de democratizar la creación de obras complejas en varios dominios, incluida la investigación científica, la literatura y el desarrollo de software.

Este capítulo examina las formas en que GenAI está permitiendo que personas de todos los diferentes antecedentes y niveles de habilidad produzcan resultados originales y sofisticados.

Discutiremos las implicaciones de esta democratización para la educación, la investigación y la expresión humana, así como el potencial de GenAI para redefinir los límites de la creación de conocimiento y el esfuerzo artístico.

Marcos teóricos y creatividad

La creatividad tradicionalmente se ha conceptualizado como la capacidad de producir trabajo que es tanto novedoso como apropiado (Amabile, 1996). En el contexto de GenAI, esta definición se expande para incluir la generación de textos, imágenes, música y otros contenidos de alta calidad basados en los datos con los que se entrenó la IA (Martineau, 2023).

Las teorías de la creatividad a menudo enfatizan el papel del pensamiento divergente, que implica generar múltiples soluciones únicas a un problema (Guilford, 1967). Los sistemas GenAI, con su vasto poder computacional y acceso a extensos conjuntos de datos, están particularmente bien equipados para mejorar el pensamiento divergente al explorar un rango más amplio de posibilidades que la mente humana sola puede lograr.

1. Creatividad científica

Automatización de la investigación y generación de hipótesis:

GenAI está transformando el proceso de investigación mediante la automatización de tareas complejas y la generación de nuevas hipótesis.

Por ejemplo, el proyecto "Generative Chemistry" de Microsoft utiliza el aprendizaje automático para ayudar a los químicos y farmacéuticos a identificar rápidamente compuestos candidatos relevantes para el desarrollo de medicamentos, reduciendo significativamente el tiempo y el costo asociados con los métodos tradicionales de descubrimiento de fármacos (Microsoft, 2023).

Revisión de la literatura y análisis de datos:

GenAI puede ayudar a los investigadores a realizar revisiones literarias y análisis de datos exhaustivos. Herramientas como ChatGPT pueden resumir grandes cantidades de literatura de investigación, ayudando a los investigadores a identificar estudios y tendencias clave rápidamente (MIDAS, 2024).

Esta capacidad es particularmente valiosa en campos con volúmenes abrumadores de datos, como la genómica y la ciencia de materiales, donde la IA puede identificar patrones y correlaciones que podrían ser pasados por alto por los investigadores humanos (Cockburn et al., 2018).

Mejora de la integridad de la investigación:

GenAI también puede desempeñar un papel en la mejora de la integridad de la investigación proporcionando herramientas para la traducción precisa y oportuna de manuscritos, adaptando herramientas de autoría de IA para la redacción científica y facilitando el proceso de revisión por pares (MIT, 2023).

Generación de arte, música y literatura:

En el ámbito artístico, la GenAI está permitiendo la creación de formas completamente nuevas de arte, música y literatura.

Herramientas como DALL-E 2 y Midjourney permiten a los artistas generar imágenes únicas a partir de descripciones textuales, mientras que plataformas como Riffusion crean música basada en las entradas del usuario (Vaswani et al., 2017; Goodfellow et al., 2014). Pronto tendremos modelos que serán capaces de crear videos a partir de tus instrucciones de texto.

Democratización de la creatividad:

La GenAI está democratizando la creatividad al reducir las barreras de entrada para las personas que pueden no tener habilidades artísticas tradicionales.

Por ejemplo, personas que luchan con el "síndrome de la página en blanco" pueden utilizar herramientas de GenAI como ChatGPT para generar ideas de temas, crear esquemas y generar titulares (Horizon Peak Consulting, 2023).

Ejemplos del mundo real

Industria farmacéutica

En la industria farmacéutica, compañías como Generate Biomedicines e Iktos utilizan GenAI para el diseño de nuevos medicamentos, acelerando significativamente el proceso de descubrimiento de fármacos (Merk et al., 2018). Esta aplicación de la GenAI demuestra su potencial para revolucionar industrias al automatizar tareas complejas y que requieren mucho tiempo.

Medios y entretenimiento

En la industria de medios y entretenimiento, la emisora surcoreana MBN utilizó GenAI para crear un presentador de noticias deepfake, demostrando la versatilidad de la tecnología y su potencial para una adopción generalizada (Foley, 2022).

Sector financiero

JPMorgan Chase ha integrado GenAI para mejorar sus sistemas de detección de fraude, reduciendo significativamente los falsos positivos y mejorando la seguridad de las transacciones (Davenport & Ronanki, 2018).

Industria automotriz

El uso de la GenAI por Tesla para la tecnología de conducción autónoma ejemplifica cómo la GenAI puede llevar al desarrollo de sistemas de transporte más seguros y eficientes (Brynjolfsson & McAfee, 2014).

Esta aplicación destaca el potencial de la GenAI para transformar industrias al permitir el desarrollo de tecnologías avanzadas.

Codificación y programación

La GenAI también está haciendo avances significativos en el campo de la codificación y programación. Herramientas como GitHub Copilot pueden asistir a los desarrolladores generando fragmentos de código, depurando y optimizando código (IBM, 2023). Esta capacidad permite que personas con poca o ninguna experiencia en programación puedan crear aplicaciones de software funcionales, reduciendo así la barrera de entrada para la codificación y programación (Digital Skills Jobs, 2023).

La GenAI está preparada para revolucionar la creatividad científica y artística al proporcionar herramientas que mejoran el pensamiento divergente, automatizan tareas complejas y generan contenido novedoso.

Al aprovechar las capacidades de la GenAI, los investigadores y artistas pueden superar los límites de sus respectivos campos, conduciendo a niveles sin precedentes de innovación.

Las investigaciones futuras deben seguir explorando las implicaciones de la GenAI para la creatividad, examinando cómo estas tecnologías pueden integrarse en los flujos de trabajo existentes y cómo moldearán el futuro de los esfuerzos creativos.

Al mantenernos críticos y evitando sesgos, podemos asegurarnos de que nuestra comprensión del impacto de la GenAI en la creatividad sea tanto precisa como integral, allanando el camino para futuras innovaciones en estos campos.

Capítulo 4: GenAI y el desarrollo de nuevos productos

La GenAI está revolucionando el panorama del desarrollo de nuevos productos (NPD) al proporcionar capacidades sin precedentes para generar ideas novedosas, soluciones y contenido.

Este capítulo explora las implicaciones de la GenAI para el NPD, basándose en marcos teóricos y ejemplos del mundo real para proporcionar un análisis integral.

Marcos teóricos y el desarrollo de nuevos productos

El desarrollo de nuevos productos (NPD) tradicionalmente se ha conceptualizado como un proceso estructurado que involucra varias etapas, desde la generación de ideas hasta la comercialización.

Teorías como el proceso Stage-Gate (Cooper, 1990) y las metodologías Agile (Rigby et al., 2016) han sido ampliamente adoptadas para gestionar y agilizar las actividades de NPD.

La GenAI introduce un cambio de paradigma en el NPD al automatizar tareas complejas, mejorar la creatividad y acelerar el ciclo de desarrollo.

Mejorando la generación de ideas y la creatividad

Los sistemas de GenAI, como GPT-4 de OpenAI y DALL-E 2, han revolucionado el panorama de la generación de ideas y la creatividad en el NPD. Estos sistemas son capaces de producir texto, imágenes y otros contenidos de alta calidad basándose en datos de entrenamiento extensos, lo que puede ampliar significativamente el alcance de posibilidades y fomentar el pensamiento divergente (Martineau, 2023).

La aplicación de la GenAI en el NPD se ejemplifica con compañías como Coca-Cola, que aprovechan estas tecnologías para crear copias publicitarias e imágenes personalizadas, demostrando el potencial de la IA para aumentar los procesos creativos.

La integración de la GenAI en los procesos de NPD se alinea con los marcos teóricos de la gestión de la creatividad y la innovación.

Según la Teoría Componential de la Creatividad de Amabile, la creatividad surge de la confluencia de habilidades relevantes en el dominio, procesos relevantes para la creatividad y motivación intrínseca en la tarea (Amabile, 1983).

La GenAI mejora las habilidades relevantes en el dominio al proporcionar acceso a un vasto repositorio de conocimientos y resultados creativos, lo que permite a los usuarios extraer de una gama más amplia de ideas e inspiraciones. Además, el uso de la IA en procesos relevantes para la creatividad, como la lluvia de ideas y la ideación, puede agilizar estas actividades, haciéndolas más eficientes y productivas.

Además, una encuesta reveló que el 56% de las empresas que utilizan IA en sus procesos de innovación informaron un aumento significativo en la velocidad y calidad de la generación de ideas (McKinsey & Company, 2022).

Las aplicaciones en el mundo real ilustran aún más el impacto de la GenAI en la creatividad. Por ejemplo, la suite Creative Cloud de Adobe, que incorpora herramientas de IA como Adobe Sensei, ha permitido a los diseñadores aumentar su productividad en un 20% mientras mantienen altos niveles de creatividad y originalidad.

De manera similar, un estudio de caso sobre el uso de IA en la industria de la moda demostró que las herramientas de diseño asistidas por IA ayudaron a reducir el tiempo requerido para el desarrollo del concepto en un 40%, permitiendo a los diseñadores enfocarse más en refinar y perfeccionar sus ideas (Fashion Innovation Agency, 2020).

Aún así, la adopción de GenAI en los procesos creativos no está exenta de desafíos. Las consideraciones éticas, como el potencial de sesgo en el contenido generado por IA y la necesidad de transparencia en la toma de decisiones de IA, deben abordarse para garantizar un uso responsable.

Investigadores y profesionales deben permanecer vigilantes en la evaluación de los resultados de los sistemas GenAI, asegurándose de que se alineen con los estándares éticos y no perpetúen estereotipos dañinos o desinformación (Binns, 2018).

Ejemplos del mundo real y direcciones futuras

Las aplicaciones del mundo real de GenAI en NPD proporcionan evidencia convincente de su potencial transformador.

Por ejemplo, Roche utiliza datos médicos sintéticos generados por GenAI para realizar investigaciones clínicas, asegurando la privacidad de los datos mientras acelera los plazos de investigación (IBM, 2022).

En la industria automotriz, el uso de GenAI por parte de Tesla para la tecnología de conducción autónoma ejemplifica cómo la IA puede llevar al desarrollo de sistemas de transporte más seguros y eficientes (Brynjolfsson & McAfee, 2014).

El futuro de NPD habilitado por GenAI radica en su capacidad para colaborar con creadores humanos, mejorando sus capacidades y expandiendo los límites de lo posible. A medida que los sistemas GenAI continúen evolucionando, probablemente se convertirán en socios integrales en el proceso de NPD, proporcionando herramientas e insights que complementen la ingeniosidad humana. Esta colaboración entre humanos y IA impulsará la innovación en varios dominios, llevando a nuevas formas de expresión y descubrimiento.

GenAI está listo para revolucionar el desarrollo de nuevos productos proporcionando herramientas que mejoran la generación de ideas, aceleran los ciclos de desarrollo y permiten pruebas y validación en tiempo real.

Al aprovechar las capacidades de GenAI, los investigadores y desarrolladores pueden llevar los límites de sus respectivos campos, conduciendo a niveles sin precedentes de innovación. La investigación futura debe seguir explorando las implicaciones de GenAI para NPD, examinando cómo estas tecnologías pueden integrarse en los flujos de trabajo existentes y cómo darán forma al futuro del desarrollo de productos.

Al permanecer críticos y evitar sesgos, podemos asegurarnos de que nuestra comprensión del impacto de GenAI en NPD sea tanto precisa como completa, allanando el camino para futuras innovaciones en este campo.

Capítulo 5: GenAI, agencia y ecosistemas

La integración de GenAI en los ecosistemas de innovación representa un cambio transformador en cómo la agencia se distribuye entre actores humanos y no humanos.

Este capítulo explora las implicaciones de GenAI sobre la agencia dentro de los ecosistemas de innovación, basándose en marcos teóricos y evidencia empírica para dilucidar las dinámicas en evolución.

Agencia distribuida en ecosistemas de Iinnovación

El concepto de agencia distribuida postula que la innovación no es únicamente producto de actores humanos individuales, sino que emerge de las interacciones entre una red de agentes diversos, incluidas máquinas y algoritmos.

Nambisan (2017) destaca que en entornos digitales, el locus de la agencia de innovación está cada vez más disperso, involucrando tanto agentes humanos como artificiales. Los sistemas GenAI, con su capacidad para generar contenido de alta calidad de manera autónoma, descentralizan aún más la agencia, permitiendo que las máquinas participen activamente en los procesos de innovación.

Fundamentos teóricos

La base teórica para entender el papel de GenAI en los ecosistemas de innovación puede rastrearse hasta la noción de innovación abierta (como lo describe Chesbrough, 2003). La innovación abierta enfatiza la importancia de las ideas y tecnologías externas para impulsar la innovación interna. Los sistemas GenAI, al generar soluciones e insights novedosos, actúan como fuentes externas de innovación, lo que ayuda a mejorar el paradigma de innovación abierta.

Además, la perspectiva evolutiva sobre la innovación (Nelson & Winter, 1977) sugiere que la interacción entre agentes humanos y artificiales evolucionará, potencialmente llevando a un rol reducido de la intervención humana a medida que los sistemas GenAI se vuelvan más sofisticados.

Implicaciones prácticas y ejemplos del mundo real

En la práctica, la integración de GenAI en los ecosistemas de innovación puede observarse en varias industrias.

Por ejemplo, empresas biotecnológicas como Insilico Medicine utilizan GenAI para acelerar el descubrimiento de medicamentos, identificando potenciales objetivos terapéuticos y diseñando nuevas moléculas con una velocidad y precisión sin precedentes (Grisoni et al., 2021).

En las artes creativas, empresas como Runway y Stability AI están pionereando el uso de GenAI para generar contenido visual de alta calidad, permitiendo a artistas y diseñadores crear imágenes y animaciones complejas con mínima intervención manual (Croitoru et al., 2023).

Desafíos y direcciones futuras

A pesar de los beneficios potenciales, la integración de GenAI en los ecosistemas de innovación plantea varios desafíos.

Una preocupación significativa son las implicaciones éticas de la agencia distribuida, particularmente en lo que respecta a la responsabilidad y la transparencia. A medida que los sistemas de GenAI asumen roles más importantes en la innovación, se vuelve crucial establecer marcos que aseguren el uso ético y mitiguen los sesgos inherentes en los datos de entrenamiento (Floridi & Chiriatti, 2020).

Además, el panorama regulatorio debe evolucionar para abordar los desafíos únicos que plantea GenAI, incluidos los derechos de propiedad intelectual y la privacidad de los datos (Cockburn et al., 2018).

La integración de GenAI en los ecosistemas de innovación representa un cambio de paradigma en cómo se distribuye la agencia y cómo se llevan a cabo los procesos de innovación. Al permitir que las máquinas actúen como agentes autónomos, los sistemas de GenAI mejoran el modelo de innovación abierta y promueven la eficiencia en diversas industrias.

Pero abordar los desafíos éticos y regulatorios asociados con esta integración es crucial para asegurar que los beneficios de GenAI se realicen de manera responsable y sostenible.

La investigación futura debe centrarse en desarrollar marcos teóricos y directrices prácticas que apoyen la integración ética y efectiva de GenAI en los ecosistemas de innovación.

Capítulo 6: Uso ético de GenAI

Descargo de responsabilidad: Este capítulo ofrece una evaluación del uso ético de GenAI basada en el marco ético de IEEE. Las opiniones e interpretaciones presentadas aquí tienen fines informativos y educativos únicamente y no deben interpretarse como asesoramiento legal. Se alienta a los lectores a consultar con profesionales legales para cualquier asunto legal relacionado con el uso de GenAI.

La inventiva humana siempre ha sido impulsada por el deseo de mejorar la vida, crear herramientas y tecnologías que nos lleven hacia un futuro mejor. Pero en la incansable búsqueda de la innovación, a menudo nos encontramos inmersos en las complejidades de nuestras creaciones, potencialmente perdiendo de vista las implicaciones éticas de nuestras acciones.

La ética, entonces, actúa como nuestra brújula, guiándonos a través de las turbias aguas del bien y del mal.

Pero rara vez los dilemas éticos son tan simples como elecciones en blanco y negro. Lo que comienza como una ecuación simple de 1+1=2, puede convertirse rápidamente en un enigma de nivel cálculo, sin respuestas fáciles. Esto se debe en parte a que los principios éticos, aunque a menudo valorados universalmente, pueden interpretarse y aplicarse de manera diferente en diferentes culturas, sociedades e incluso individuos.

Para navegar esta complejidad, organizaciones como el Instituto de Ingenieros Eléctricos y Electrónicos (IEEE) han desarrollado marcos de principios fundamentales que buscan proporcionar orientación en la toma de decisiones éticas.

Estos principios, tales como el respeto por la autonomía, la no maleficencia, la beneficencia, la justicia y la responsabilidad, actúan como barandillas que ayudan a asegurar que nuestros avances tecnológicos se alineen con nuestros valores compartidos y contribuyan al bien común de la sociedad.

¿Qué es la ética?

La ética, en su esencia, es una rama de la filosofía que profundiza en la naturaleza de la moralidad y los principios que gobiernan la evaluación de la conducta humana, los rasgos de carácter y las instituciones. Busca responder preguntas normativas sobre qué acciones son correctas o incorrectas, qué obligaciones tienen los individuos y las sociedades, y cómo vivir una vida moralmente buena.

La ética abarca una amplia gama de marcos teóricos y enfoques, incluidos el consecuencialismo, la deontología y la ética de la virtud, cada uno ofreciendo perspectivas distintas sobre cómo determinar el valor moral de las acciones y decisiones.

Entender estas diversas perspectivas es crucial para navegar los desafíos éticos complejos y a menudo matizados que surgen en el desarrollo y despliegue de nuevas tecnologías.

Principios para la toma de decisiones éticas

Un marco común utilizado por organizaciones como el Instituto de Ingenieros Eléctricos y Electrónicos (IEEE) es el principialismo, que enfatiza un conjunto de principios fundamentales como la base de la toma de decisiones éticas.

Estos principios incluyen:

1. Respeto por la autonomía: Reconociendo el valor intrínseco de los individuos y su derecho a la autodeterminación. Este principio enfatiza la importancia del consentimiento informado, la privacidad y la confidencialidad.
2. No maleficencia: La obligación de no hacer daño. En un contexto de ingeniería, esto implica asegurar la seguridad y seguridad de las tecnologías, minimizando riesgos y evitando consecuencias no deseadas.
3. Beneficencia: El deber de hacer el bien y promover el bienestar. Este principio fomenta que los ingenieros desarrollen tecnologías que mejoren vidas, potencien las capacidades humanas y aborden desafíos sociales.
4. Justicia: Asegurar equidad en la distribución de beneficios y cargas. Esto incluye considerar las necesidades de las poblaciones vulnerables y asegurarse de que los avances tecnológicos no exacerben las desigualdades existentes.
5. Responsabilidad: Reconocer y asumir las consecuencias de las propias acciones y decisiones. Este principio enfatiza la responsabilidad, la transparencia y la necesidad de considerar los impactos a largo plazo de los desarrollos tecnológicos.

¿Cómo usamos GenAI de manera ética?

Aquí están algunas de las preguntas más frecuentes sobre cómo podemos usar GenAI de manera ética:

¿Es ético usar GenAI para programar?

El uso ético de la Inteligencia Artificial Generativa (GenAI) para programar, cuando se alinea con el marco de la IEEE, se puede justificar examinando los principios de respeto por la autonomía, no maleficencia, beneficencia, justicia y responsabilidad.

Estos principios proporcionan una base ética integral para evaluar el despliegue de GenAI en el desarrollo de software.

Respeto por la autonomía: El respeto por la autonomía enfatiza el valor intrínseco de los individuos y su derecho a la autodeterminación, que incluye el consentimiento informado, la privacidad y la confidencialidad.

En el contexto de GenAI para programar, este principio se puede mantener asegurando que los desarrolladores estén completamente informados sobre las capacidades y limitaciones de las herramientas de IA. La transparencia sobre cómo funcionan estas herramientas y los datos que utilizan es crucial.

Por ejemplo, los desarrolladores deben estar al tanto de las fuentes de datos de entrenamiento y cualquier sesgo potencial inherente a los modelos de IA (CalypsoAI). Además, respetar la privacidad del usuario asegurando que los datos utilizados por las herramientas GenAI sean anonimizados y almacenados de manera segura se alinea con este principio (CalypsoAI).

No maleficencia: El principio de no maleficencia, o "no hacer daño," requiere que las tecnologías sean seguras y confiables, minimizando riesgos y evitando consecuencias no deseadas.

Las herramientas GenAI deben ser rigurosamente probadas para asegurar que no introduzcan vulnerabilidades o errores en el código que generan. Esto implica implementar procesos robustos de validación y verificación para detectar y mitigar cualquier problema potencial antes del despliegue (arXiv). Además, los desarrolladores deben mantener la supervisión para corregir cualquier salida errónea generada por la IA, previniendo así el daño (Intuition).

Beneficencia: La beneficencia implica el deber de hacer el bien y promover el bienestar. GenAI para programar puede mejorar significativamente la productividad y la innovación, permitiendo a los desarrolladores centrarse en tareas más complejas y creativas. Esto puede llevar al desarrollo de software de mayor calidad que aborde desafíos sociales y mejore vidas (NCBI; The New Stack).

Por ejemplo, los asistentes de codificación de IA pueden automatizar tareas repetitivas, reducir el tiempo requerido para la depuración y proporcionar sugerencias en tiempo real, mejorando así la eficiencia y efectividad general del desarrollo de software (Community.aws).

Justicia: La justicia asegura la equidad en la distribución de beneficios y cargas. Es esencial considerar las necesidades de las poblaciones vulnerables y asegurar que los avances tecnológicos no exacerben las desigualdades existentes.

Las herramientas GenAI deben ser diseñadas y desplegadas de manera inclusiva y accesible para todos los desarrolladores, independientemente de su origen o nivel de habilidad (Intuition; ACM). Esto incluye proporcionar la capacitación y recursos adecuados para ayudar a los desarrolladores a utilizar efectivamente estas herramientas y asegurar que los beneficios de la IA se distribuyan equitativamente (NCBI).

Responsabilidad: La responsabilidad implica reconocer y asumir las consecuencias de las propias acciones y decisiones. Este principio enfatiza la responsabilidad, la transparencia y la necesidad de considerar los impactos a largo plazo de los desarrollos tecnológicos.

Los desarrolladores y organizaciones que usan GenAI para programar deben ser transparentes sobre el papel de la IA en el proceso de desarrollo y proporcionar mecanismos para la rendición de cuentas (CalypsoAI; ACM). Esto incluye realizar evaluaciones de impacto exhaustivas y estar preparados para abordar cualquier resultado negativo que pueda surgir del uso de código generado por IA (LinkedIn).

Sin embargo, también existen posibles preocupaciones éticas con la responsabilidad: los desarrolladores deben hacerse responsables del código que producen, incluso si es parcialmente o totalmente generado por GenAI. Deben asegurar su calidad, precisión y adhesión a los estándares éticos.

¿Es ético usar GenAI como asistente personal de escritura?

El uso ético de la Inteligencia Artificial Generativa (GenAI) para tareas personales, alineado con el marco de la IEEE, se puede justificar examinando los principios de respeto por la autonomía, no maleficencia, beneficencia, justicia y responsabilidad. Estos principios ofrecen una base ética integral para evaluar el despliegue de GenAI en contextos personales.

Respeto por la autonomía: Respetar la autonomía enfatiza el valor intrínseco de los individuos y su derecho a la autodeterminación, incluyendo el consentimiento informado, la privacidad y la confidencialidad. En el contexto de GenAI para tareas personales, este principio se mantiene asegurando que los usuarios estén completamente informados sobre las capacidades y limitaciones de las herramientas de IA.

La transparencia sobre el funcionamiento de las herramientas y el uso de los datos es crucial. Por ejemplo, los usuarios deben conocer las fuentes de los datos de entrenamiento y los posibles sesgos inherentes en los modelos de IA. Respetar la privacidad del usuario anonimizando y almacenando de manera segura los datos utilizados por las herramientas GenAI se alinea con este principio.

No Maleficencia: El principio de no maleficencia, o "no hacer daño," exige que las tecnologías sean seguras y confiables, minimizando riesgos y evitando consecuencias no deseadas. Las herramientas GenAI deben someterse a rigurosas pruebas para asegurar que no introduzcan vulnerabilidades o errores en las tareas que realizan.

Beneficencia: La beneficencia implica el deber de hacer el bien y promover el bienestar. GenAI para tareas personales puede aumentar la productividad, permitiendo a los usuarios centrarse en tareas más complejas y creativas.

Esto puede conducir a una mejora en la calidad de vida y el bienestar. Por ejemplo, los asistentes de IA pueden automatizar tareas mundanas, liberando tiempo para el crecimiento personal y el disfrute.

Justicia: La justicia garantiza la equidad en la distribución de beneficios y cargas. Es esencial considerar a las poblaciones vulnerables y asegurar que los avances tecnológicos no empeoren las desigualdades existentes.

Las herramientas de GenAI deben diseñarse e implementarse de manera inclusiva y accesible para todos los usuarios, independientemente de su origen o nivel de habilidad. Esto incluye proporcionar capacitación y recursos adecuados para el uso efectivo de la herramienta y garantizar la distribución equitativa de los beneficios de la IA.

Responsabilidad: La responsabilidad implica reconocer y asumir las consecuencias de nuestras acciones. Este principio enfatiza la rendición de cuentas, la transparencia y la consideración de los impactos a largo plazo de los desarrollos tecnológicos.

Los usuarios de GenAI para tareas personales deben ser transparentes sobre el papel de la IA y proporcionar mecanismos de rendición de cuentas. Esto incluye realizar evaluaciones de impacto y abordar cualquier resultado negativo derivado del uso de la IA.

Al adherirse a estos principios, el uso de GenAI como asistente de escritura personal puede ser una práctica éticamente sólida que fomente la colaboración entre humanos e IA, lo que lleva a una mayor productividad y creatividad.

Pero el panorama ético cambia significativamente si se usa GenAI para generar contenido con un solo clic y luego se presenta como creación original propia, o si se usa para producir contenido no autorizado o dañino. Tales prácticas violan claramente principios éticos, incluyendo el respeto a la autonomía y la no maleficencia.

Presentar contenido generado por IA como propio socava los principios de autenticidad y honestidad intelectual, mientras que la creación de contenido dañino puede tener consecuencias perjudiciales para individuos y la sociedad. Más allá de esto, el uso de GenAI para amplificar sesgos o discriminar contra ciertos grupos viola el principio de justicia, ya que perpetúa las desigualdades existentes y socava la equidad.

¿Es ético usar GenAI para crear materiales educativos?

El uso ético de la IA generativa (GenAI) para materiales educativos, alineado con el marco de IEEE, puede justificarse examinando los principios de respeto por la autonomía, no maleficencia, beneficencia, justicia y responsabilidad. Estos principios ofrecen una base ética integral para evaluar el despliegue de GenAI en contextos educativos.

Respeto por la autonomía: GenAI apoya este principio al proporcionar a educadores y estudiantes herramientas para mejorar el aprendizaje personalizado. Cuando se usa éticamente, GenAI permite una mayor autodeterminación en cómo las personas aprenden y enseñan, ofreciendo materiales adaptados a diferentes necesidades y preferencias.

Asegurar que todos los datos utilizados por GenAI se obtengan con consentimiento informado y se mantengan de manera confidencial sostiene este principio. La transparencia sobre las funciones y el uso de datos de la IA es crucial.

No maleficencia: La clave para mantener este principio en el contexto de GenAI para la educación es asegurar que la tecnología no cause daño inadvertidamente. Con la monitorización y corrección activa de la salida de contenido, se reduce significativamente el riesgo de sesgos y desinformación.

Actualizaciones y monitoreo continuos son necesarios para asegurar que el contenido permanezca preciso y libre de sesgos perjudiciales, evitando impactos negativos en los estudiantes. Un control de calidad riguroso y una supervisión humana mitigan aún más el potencial de daño.

Beneficencia: GenAI tiene el potencial de mejorar significativamente la calidad de los materiales educativos, haciendo el aprendizaje más accesible y efectivo, promoviendo así el bienestar. Al desarrollar contenido atractivo, inclusivo y de apoyo alineado con los objetivos de aprendizaje, GenAI puede mejorar los resultados educativos y empoderar tanto a estudiantes como a profesores.

Justicia: GenAI puede democratizar la educación al hacer que materiales de alta calidad sean accesibles para todos, sin importar su nivel socioeconómico. Sin embargo, asegurar el acceso equitativo a la tecnología en sí y mitigar posibles sesgos en el contenido generado por IA son cruciales para mantener la justicia.

Responsabilidad: Desarrolladores y usuarios de herramientas GenAI deben asumir la responsabilidad de los impactos de sus tecnologías, incluyendo los efectos a largo plazo en prácticas y resultados educativos.

La evaluación continua, los mecanismos de retroalimentación y la adaptabilidad del contenido según las necesidades e impactos del usuario ayudan a cumplir este principio. La corrección oportuna de errores y la comunicación transparente sobre el uso de datos y retroalimentación para la mejora de la herramienta son esenciales.

Sin embargo, surgen posibles preocupaciones éticas con la responsabilidad. Desarrolladores y educadores deben asumir la responsabilidad por los materiales educativos producidos con GenAI, asegurando su calidad, precisión y adhesión a los estándares pedagógicos.

En general, cuando las tecnologías GenAI se adhieren a estos principios éticos, su uso en la creación de materiales educativos es ético. La transparencia, equidad y rendición de cuentas son clave para mantener altos estándares éticos. La evaluación y mejora continua son necesarias para asegurar que GenAI siga siendo una herramienta beneficiosa en la educación.

El uso ético de la Inteligencia Artificial Generativa (GenAI) en la investigación científica, cuando se alinea con el marco de trabajo del IEEE, puede justificarse mediante el examen de cinco principios clave:

Respeto por la autonomía: Los investigadores están éticamente obligados a divulgar completamente el uso de GenAI en su trabajo, delineando claramente qué partes de la investigación fueron generadas por IA y cuáles fueron escritas por humanos. Esta transparencia permite a los lectores hacer juicios informados sobre la credibilidad de la investigación y el papel de la IA en su creación.

Los investigadores deben mantener su papel como los árbitros finales del rigor científico evaluando críticamente y verificando todo el contenido generado por IA. Esto asegura que la investigación permanezca basada en la experiencia y el juicio humano, protegiendo contra posibles errores o sesgos introducidos por la IA.

Al proporcionar información transparente sobre el uso de GenAI y mantener un enfoque crítico hacia el contenido generado por IA, los investigadores empoderan a los lectores para tomar decisiones informadas sobre la validez y las implicaciones de los hallazgos de la investigación.

No Maleficencia: Los investigadores tienen la responsabilidad de identificar y mitigar activamente los posibles sesgos en el contenido generado por IA. Esto es crucial para prevenir la difusión de información errónea o hallazgos discriminatorios que podrían perjudicar a individuos o grupos.

Respetar la privacidad y confidencialidad de las personas involucradas en la investigación es primordial. Adherirse a las regulaciones de protección de datos asegura que los datos sensibles o personales se manejen de manera ética y segura, minimizando el riesgo de daño a los participantes de la investigación.

Beneficencia: GenAI tiene el potencial de mejorar significativamente el proceso de investigación mediante la automatización de tareas como revisiones de literatura, análisis de datos y generación de hipótesis. Esto puede acelerar el ritmo del descubrimiento, permitiendo a los investigadores dedicar más tiempo y recursos al análisis crítico, interpretación y validación de hallazgos.

Al aprovechar las capacidades de GenAI, los investigadores pueden explorar nuevas vías de investigación, generar hipótesis innovadoras y desarrollar nuevas metodologías, lo que en última instancia conduce a avances que benefician a la sociedad en su conjunto.

Justicia:

Equidad y justicia: Los investigadores deben ser vigilantes en identificar y mitigar los sesgos que pueden estar inherentes en los modelos de IA o los datos de entrenamiento. Esto es esencial para asegurar que los hallazgos de la investigación sean justos, equitativos y no perpetúen ni exacerben las desigualdades existentes.

Protección de los derechos de los participantes: Obtener el consentimiento informado de los participantes de la investigación cuando se utilizan herramientas de IA de manera que los afecte directamente es crucial. Esto respeta su autonomía y asegura que estén al tanto de cómo se están utilizando sus datos y contribuciones.

Responsabilidad: Los investigadores deben asumir plena responsabilidad por el resultado final de la investigación, incluyendo cualquier contenido generado por IA. Esto incluye asegurar la exactitud, validez y consideraciones éticas. Citar y reconocer adecuadamente las herramientas de IA demuestra transparencia y permite a otros evaluar la metodología de la investigación.

Sin embargo, también existen preocupaciones éticas potenciales con la responsabilidad: los investigadores no deben utilizar GenAI como un sustituto de su experiencia y contribuciones. Deben evaluar críticamente y verificar el contenido generado por IA, asegurando que cumpla con los rigurosos estándares científicos.

La naturaleza probabilística inherente de estos modelos los predispone a errores, particularmente cuando se enfrentan a tareas complejas. Esto potencialmente lleva a la generación de contenido inexacto, sesgado o problemático (Brown et al., 2023). Esto subraya el papel indispensable de la supervisión humana en la evaluación crítica, verificación y refinamiento de los resultados generados por IA.

Como se destaca en el marco ético del IEEE, la responsabilidad recae en los agentes humanos para asegurar que las herramientas de IA se utilicen de manera ética y que el potencial de daño se minimice (IEEE, 2019).

En la educación, esto se traduce en que los educadores revisen meticulosamente y adapten el contenido generado por IA para alinearlo con los objetivos pedagógicos y las diversas necesidades de los estudiantes. En el periodismo, esto requiere la verificación minuciosa de hechos y la supervisión editorial de los artículos generados por IA para mantener la integridad periodística. En la investigación científica, demanda que los investigadores sigan siendo responsables de la validez e implicaciones éticas de los hallazgos asistidos por IA.

Aunque GenAI ofrece un conjunto de herramientas poderoso para la innovación y la eficiencia, su implementación ética requiere una relación simbiótica entre la experiencia humana y las capacidades de la máquina.

Al reconocer las limitaciones de los modelos de lenguaje actuales y abrazar la supervisión humana como parte integral del flujo de trabajo asistido por IA, podemos aprovechar el potencial de GenAI mientras mitigamos sus riesgos y mantenemos los principios éticos.

Este enfoque asegura que la IA sirva como una herramienta para aumentar las capacidades humanas, en lugar de un sustituto, fomentando un futuro donde tanto la ingeniosidad humana como el avance tecnológico puedan florecer en armonía.

Capítulo 7: Diseño organizacional y límites para la Innovación habilitada por GenAI

La llegada de GenAI está a punto de remodelar fundamentalmente el diseño y los límites organizacionales, lo que requiere una reevaluación de las estructuras y procesos tradicionales.

Este capítulo explora estas transformaciones, basándose en conocimientos teóricos y evidencias empíricas para proporcionar una comprensión completa de las implicaciones de GenAI para el diseño organizacional.

Redefiniendo la autoridad y la experiencia

Las capacidades de GenAI requieren un cambio en el lugar de la experiencia dentro de las organizaciones.

Las nociones tradicionales de experiencia, que dependen en gran medida del profundo conocimiento del dominio, están siendo complementadas por la competencia en la interacción con sistemas GenAI. Este cambio implica que los empleados, especialmente en funciones de I+D, deben desarrollar habilidades en la activación y aprovechamiento de herramientas GenAI para impulsar la innovación.

Si bien la competencia en el aprovechamiento de herramientas GenAI será cada vez más valiosa, la profunda experiencia en el dominio sigue siendo absolutamente crítica.

GenAI, aunque es una herramienta poderosa, no sustituye la comprensión y experiencia matizadas que los expertos humanos aportan a la mesa. A medida que la tecnología de GenAI continúa evolucionando, los equipos más efectivos serán probablemente aquellos que combinen un profundo conocimiento de dominio con la capacidad de aprovechar el poder de la IA para aumentar su trabajo.

"Según esta perspectiva de agencia distribuida, GenAI es un complemento en lugar de un sustituto para los humanos que inician, implementan y gestionan proyectos de innovación." (Mariani & Dwivedi, 2024).

Coordinación y modularización de tareas

El despliegue de GenAI probablemente conducirá a la atomización de las tareas laborales en sub-tareas más pequeñas y modulares que pueden ser externalizadas o automatizadas. Esta modularización facilita una coordinación más eficiente dentro y entre los límites organizacionales.

Por ejemplo, los mercados digitales como Amazon Mechanical Turk o plataformas como Upwork pueden ser utilizados para gestionar estas tareas modulares, mejorando la flexibilidad y escalabilidad (Ferraris et al., 2021). Además, los sistemas GenAI pueden agilizar los flujos de trabajo automatizando tareas rutinarias, permitiendo que los empleados humanos se concentren en aspectos más estratégicos y creativos de la innovación.

Impacto en los límites de la organización

La influencia de GenAI se extiende más allá de las estructuras organizacionales internas hasta los límites entre organizaciones e industrias. A medida que las empresas adoptan cada vez más GenAI, las líneas entre competidores, proveedores, clientes y posibles nuevos entrantes se vuelven más porosas.

Este desdibujamiento de los límites es particularmente evidente en industrias en proceso de transformación digital, donde las empresas manufactureras tradicionales están evolucionando hacia proveedores de soluciones y servicios integrados (Harrmann et al., 2023). El movimiento hacia un modelo orientado a servicios, habilitado por tecnologías digitales y GenAI, subraya la necesidad de que las organizaciones adapten sus estrategias y estructuras para seguir siendo competitivas.

La adopción de GenAI también requiere una reevaluación de la dinámica del ecosistema, ya que la tecnología facilita interacciones más fluidas y dinámicas entre los participantes del ecosistema.

En el contexto de los ecosistemas empresariales, GenAI puede mejorar la capacidad de las empresas para co-crear valor con un conjunto diverso de partes interesadas, incluidos clientes, socios e incluso competidores. Esta co-creación es facilitada por la capacidad de GenAI para procesar y analizar grandes cantidades de datos, generando conocimientos que pueden ser compartidos a lo largo del ecosistema para impulsar la innovación y mejorar la toma de decisiones (Fuller et al., 2019).

Por ejemplo, en la industria de la salud, GenAI se está utilizando para crear plataformas colaborativas donde las empresas farmacéuticas, los proveedores de atención médica y los pacientes pueden compartir datos e información para acelerar el descubrimiento de medicamentos y mejorar los resultados de los pacientes (Grisoni et al., 2021). Este enfoque colaborativo no solo mejora el potencial de innovación de las empresas individuales, sino que también fortalece todo el ecosistema al fomentar una cultura de aprendizaje compartido y mejora continua.

Consideraciones de gobernanza y ética

La integración de GenAI en el diseño organizacional también plantea importantes consideraciones de gobernanza y ética.

Las organizaciones deben establecer marcos robustos para asegurar el uso ético de GenAI, abordando cuestiones como el sesgo, la transparencia y la responsabilidad. Esto podría implicar la creación de juntas o comités de ética de la IA encargados de supervisar el despliegue y el impacto de los sistemas GenAI (Fosso Wamba & Queiroz, 2021).

Además, las empresas deben navegar el panorama regulatorio, que está evolucionando para abordar los desafíos únicos planteados por GenAI, incluyendo la privacidad de datos y los derechos de propiedad intelectual (Ebers et al., 2021).

La integración de GenAI en el diseño organizacional requiere una reevaluación de las estructuras y procesos tradicionales. Al redefinir la autoridad, facilitar la modularización de tareas y desdibujar los límites organizacionales, GenAI permite marcos organizacionales más flexibles e innovadores.

Pero estos beneficios deben equilibrarse con consideraciones robustas de gobernanza y ética para asegurar el uso responsable y sostenible de GenAI. La investigación futura debe continuar explorando estas dinámicas, proporcionando conocimientos sobre cómo las organizaciones pueden aprovechar eficazmente GenAI para impulsar la innovación manteniendo estándares éticos y cumplimiento regulatorio.

Conclusión

La IA generativa está revolucionando la innovación en todas las industrias, desde la generación de nuevas ideas hasta llevarlas al mercado. Es un cambio de juego en los medios de comunicación, la industria farmacéutica y la ciberseguridad, pero solo hemos arañado la superficie de su potencial.

El futuro reside en la colaboración entre humanos e IA, amplificando nuestras habilidades y desbloqueando nuevos niveles de creatividad y descubrimiento. Para hacerlo bien, necesitamos un equilibrio entre la supervisión humana y la potencia de las máquinas, asegurando precisión, equidad y prácticas éticas.

Con gran poder viene una gran responsabilidad.

Sobre el autor

Vahe Aslanyan aquí, en el nexo de la informática, la ciencia de datos y la inteligencia artificial. Visita vaheaslanyan.com para ver un portafolio que es un testimonio de precisión y progreso. Mi experiencia abarca desde el desarrollo full-stack hasta la optimización de productos de IA, impulsado por resolver problemas de maneras nuevas.

Con un historial que incluye el lanzamiento de un bootcamp de ciencia de datos líder y el trabajo con especialistas de la industria, mi enfoque sigue siendo elevar la educación tecnológica a estándares universales.

¿Cómo puedes profundizar más?

Después de estudiar esta guía, si estás interesado en profundizar aún más y el aprendizaje estructurado es tu estilo, considera unirte a nosotros en LunarTech, ofrecemos cursos individuales y Bootcamps en Ciencia de Datos, Aprendizaje Automático e IA.

Ofrecemos un programa completo que proporciona una comprensión profunda de la teoría, implementación práctica, extenso material de práctica y preparación de entrevistas personalizada para garantizar tu éxito a tu propio ritmo.

Puedes echar un vistazo a nuestro Ultimate Data Science Bootcamp y unirte a una prueba gratuita para experimentar el contenido de primera mano. Esto ha ganado el reconocimiento de ser uno de los Mejores Bootcamps de Ciencia de Datos de 2023, y ha aparecido en publicaciones de renombre como Forbes, Yahoo, Entrepreneur y más. Esta es tu oportunidad de ser parte de una comunidad que prospera en la innovación y el conocimiento. ¡Aquí está el mensaje de bienvenida!

Conéctate conmigo

LunarTech Newsletter

Sígueme en LinkedIn para un montón de recursos gratuitos en CS, ML y AI

• Visita mi Página Personal
• Suscríbete a mi Boletín de Ciencia de Datos e IA

Hay una gran cantidad de herramientas de inteligencia artificial (IA) para desarrolladores en el mercado, pero para mi GitHub Copilot se diferencia del resto por su usabilidad, integración limpia al IDE y la palpable diferencia en la productividad al utilizarlo.

Copilot ofrece una variedad de herramientas de Inteligencia Artificial que han simplificado radicalmente mi experiencia como desarrollador. Lo usé para generar código, pruebas e incluso aplicaciones simples. También es genial para depurar, refactorizar y documentar código existente.

Curiosamente, usar Copilot causo que desarrolle funciones más rápido de lo que las partes interesadas del negocio pueden revisarlas.

Es importante remarcar que, las herramientas de Inteligencia Artificial, incluido Copilot pueden estar superequivocadas, disculparse (o no) cuando las corregimos y, luego con total confianza, producir el mismo error.

Pero, siempre que estés atento a los puntos débiles de las herramientas de Inteligencia Artificial, y, tengas suficientes conocimientos para reconocer cuando se equivocan, vas a poder mitigarlos en el camino hacia una productividad sustancialmente mejorada.

Como configurar GitHub Copilot

Para configurar y ver el uso básico de Copilot, te recomiendo que consultes la documentación oficial (en español). Puedes agregar Copilot a una cuenta personal o comercial, hay una prueba gratuita y, tiene un precio razonable luego del periodo de prueba.

Después de agregar Copilot a tu cuenta de GitHub, querrás instalar los plugins a tu IDE y logguearte para empezar a utilizarlo.

En este artículo, vamos a utilizar estas extensiones de Visual Studio Code:

Notas:

1. Esta información está actualizada al momento de escribir este artículo, pero probablemente cambie a medida que GitHub avance en el desarrollo de sus productos.
2. Todavía no recibí acceso a Copilot Voice, por lo que mi perspectiva está limitada y basada en la documentación ofrecida por GitHub.

Privacidad

Antes de sumergirnos en algunos casos de uso de Copilot, una aclaración rápida en cuanto a la privacidad: Básicamente, si confías en GitHub para alojar tu código fuente, puedes confiar en lo que harán con los prompts que envíes a Copilot y tus fragmentos de código. [Por favor, revisa las preguntas frecuentes (en inglés) y la declaración de privacidad]

Casos de uso para GitHub Copilot

Los casos de uso de GitHub Copilot son numerosos, y pueden realmente agilizar el proceso de desarrollo.

A continuación, te dejo una lista de lo que puedes hacer con las extensiones de Copilot:

Generación de código

Copilot es conocido por su capacidad para finalizar el código. Si escribís un comentario o si escribís el principio de una línea de código, Copilot te sugerirá una solución que puedes aceptar, ignorar o, incluso explorar alternativas. Esta característica es conocida como "texto fantasma".

Una vez que instalada la extensión de Copilot e iniciada la sesión, utilizarlo es tan sencillo como tipear instrucciones y pulsar la tecla Tabulador a medida que van surgiendo las sugerencias.

Llevando un poco más allá la función de completar, Copilot puede tomar un prompt y usarlo para construir toda una aplicación.

Le pedí que creara una API REST en Node con funciones ABM para "productos", y género código funcional. Esto es impresionante;  inclusive le di el mismo prompt a ChatGPT, que también me dio instrucciones de como realizar el proyecto, lo cuan es también impresionante.

Copilot Voice puede tanto escribir como editar código basado en comandos de voz, la mayoría de las veces es más rápido utilizar Copilot con el teclado que dictando una a una las líneas de código usando Voice, pero es totalmente factible utilizar Voice para crear y ejecutar código sin necesidad de utilizar el teclado, algo mucho más que útil para personas que posean alguna dificultad para usar el teclado.

Explicación de código

A menudo debí sentarme frente a la PC para intentar deducir que es lo que un boque de código está haciendo. Algunas veces es código heredado (Legacy Code) del cual no entiendo el contexto del negocio, o a veces está usando una librería particular que nunca use, a veces también debo reconocer que maldije a la persona que lo escribió, incluso si esa persona fui yo.

A continuación te muestro el código generado por Copilot con el prompt que utilice antes "Un API REST en Node...":

app.get('/products/:id', (req, res) => {
  const id = req.params.id;
  const product = products.find((p) => p.id === id);
  if (product) {
    res.json(product);
  } else {
    res.status(404).json({ error: 'El producto no fue encontrado' });
  }
});

Tome el código y se lo di como entrada a Copilot para que me explicara el código, esta fue su respuesta:

Aquí está la explicación del código:

1. Definimos la ruta con la ruta /productos/:id. Los dos puntos : en la ruta indica que es un parámetro de la ruta. El valor del parámetro de la ruta estará disponible en req.params, por ejemplo, si la ruta es /products/:id y hacemos una solicitud a /products/5, entonces el valor de req.params será { id: 5}.
2. Obtenemos el id de req.params y buscamos el producto con el id que obtuvimos del arreglo de productos. Si existe el producto lo mostramos, si no existe devolvemos un código de error 404 con el mensaje "El producto no fue encontrado".

Este es un segmento de código sencillo, y la respuesta brindada por Copilot es clara y directa, sería bastante útil agregar esto como un comentario sobre el código de la función.

Otro buen ejemplo de uso son las expresiones regulares, entiendo como funcionan, pero a veces no tengo la paciencia para entender que es lo que la expresión regular esta haciendo. Le di como entrada a Copilot esté gigantesca expresión regular para la validación de un correo electrónico:

(?:[a-z0-9!#$%&'*+/=?^_`{|}~-]+(?:\.[a-z0-9!#$%&'*+/=?^_`{|}~-]+)*|"(?:[\x01-\x08\x0b\x0c\x0e-\x1f\x21\x23-\x5b\x5d-\x7f]|\\[\x01-\x09\x0b\x0c\x0e-\x7f])*")@(?:(?:[a-z0-9](?:[a-z0-9-]*[a-z0-9])?\.)+[a-z0-9](?:[a-z0-9-]*[a-z0-9])?|\[(?:(?:(2(5[0-5]|[0-4][0-9])|1[0-9][0-9]|[1-9]?[0-9]))\.){3}(?:(2(5[0-5]|[0-4][0-9])|1[0-9][0-9]|[1-9]?[0-9])|[a-z0-9-]*[a-z0-9]:(?:[\x01-\x08\x0b\x0c\x0e-\x1f\x21-\x5a\x53-\x7f]|\\[\x01-\x09\x0b\x0c\x0e-\x7f])+)\])

Explico la expresión regular a un alto nivel, indicando que está dividido en la parte local y el dominio, representado antes y después del símbolo "@" en una dirección de correo electrónico. Luego, describió los caracteres permitidos en cada parte, bastante útil.

Traducir código (entre lenguajes)

A menudo se requiere que los desarrolladores aprendamos rápidamente nuevos lenguajes y frameworks, Copilot Chat hace esta tarea bastante sencilla, aquí te muestro un arreglo de productos en JavaScript que fue convertido a Ruby por Copilot:

let productos = [
  { id: '1', descripcion: 'Producto 1', precio: 10.99 },
  { id: '2', descripcion: 'Producto 2', precio: 19.99 },
  { id: '3', descripcion: 'Producto 3', precio: 7.99 }
];

productos = [
  { id: '1', descripcion: 'Producto 1', precio: 10.99 },
  { id: '2', descripcion: 'Producto 2', precio: 19.99 },
  { id: '3', descripcion: 'Producto 3', precio: 7.99 }
]

Este es un ejemplo muy sencillo, así que transformemos esto en una clase y vallamos en sentido contrario (de Ruby a JavaScript):

class Producto
  attr_reader :nombre, :precio

  def initialize(nombre, precio)
    @nombre = nombre
    @precio = precio
  end
end

class Producto {
  constructor(nombre, precio) {
    this.nombre = nombre;
    this.precio = precio;
  }
}

Esto funciono de maravilla, inclusive le pedí que lo transformara en TypeScript y funciono perfecto:

class Producto {
  nombre: string;
  precio: number;

  constructor(nombre: string, precio: number) {
    this.nombre = nombre;
    this.precio = precio;
  }
}

Depurando código

Esta es una de las funciones más útiles que posee Copilot Chat, puedes darle un fragmento de código problemático o el mensaje de error que tienes y el programa te indicara cuál "piensa" que es el error

No recuerdo la cantidad de veces que me arranque los pelos tratando de encontrar un error de sintaxis, la habilidad de Copilot para arreglar errores me hacen más feliz (y me permite conservar mi cabello).

También puedes darle como entrada a Copilot Chat un mensaje de error sin ningún otro prompt y te devolverá el problema que lo ocasiona, en este caso intencionalmente removí un punto del código de la API  REST en Node:

products[productIndex] = { id, ..req.body };

He copiado/pegado el mensaje de error en el Chat, y me ha respondido con...

req.body

Esto es correcto (la linea y la fuente del error) e incorrecto (ya que debería ser solo un punto). Luego, me dio un fragmento de código con tres puntos, el cual es también correcto.

Como te mencione al principio, siempre debes chequear el trabajo de las herramientas de IA, aun así estoy impresionado con la habilidad de Copilot de tomar un error, describir lo que "piensa" que está mal y, luego sugerir la corrección.

Refactorización

Otro gran caso de uso es la refactorización, consideremos el siguiente código:

req.body

Esto es correcto (la linea y la fuente del error) e incorrecto (ya que debería ser solo un punto). Luego, me dio un fragmento de código con tres puntos, el cual es también correcto.

Como te mencione al principio, siempre debes chequear el trabajo de las herramientas de IA, aun así estoy impresionado con la habilidad de Copilot de tomar un error, describir lo que "piensa" que está mal y, luego sugerir la corrección.

Refactorización

Otro gran caso de uso es la refactorización, consideremos el siguiente código:

def precio_con_descuento
  precio - (precio * tasa_de_descuento)
end

Este codigo para calcular descuentos no realiza verificaciones para validar que no le demos valores nulos, cadenas de texto que deberían ser números o valores razonables para  "precio" o "tasa_de_descuento", necesitamos que el código haga lo siguiente:  

1. Asegurarse que "precio" sea un Integer o Float (no nulo)
2. Asegurarse que "precio" no sea negativo
3. Asegurarse que "tasa_de_descuento" sea un Float (no nulo)
4. Asegurarse que "tasa_de_descuento" no sea negativo y menor o igual que 1

Copilot Chat puede manejar esto fácilmente...

def precio_con_descuento
  raise ArgumentError, "El precio debe ser un número positivo" unless precio.is_a?(Numeric) && precio >= 0
  raise ArgumentError, "La tasa de descuento debe ser un número positivo entre 0 y 1" unless tasa_de_descuento.is_a?(Numeric) && tasa_de_descuento >= 0 && tasa_de_descuento <= 1

  precio - (precio * tasa_de_descuento)
end

Generación de pruebas

Estrictamente hablando, la generación de pruebas es una subsección de la "Generación de código", pero es tan útil, que sentí que merecía su propia sección.

Generar pruebas unitarias para el código puede ser tedioso si estás tratando de cubrir caminos felices y tristes, casos principales de uso y casos extremos. Nuestra función de "precio_con_descuento" necesita casos de prueba para asegurarnos que se genere un aviso de error si "precio" o "tasa_de_descuento" no cumplen con los requisitos. Además, queremos probar lo siguiente:

1. Un "precio" sin una "tasa_de_descuento"
2. Un "precio" con una "tasa_de_descuento" razonable (por ejemplo, un 10% de descuento)
3. Un "precio" con un 100% de "tasa_de_descuento" (por ejemplo, si queremos regalar el producto)

Con estos y nuestros casos de error anteriores, esto es lo que Copilot Chat genero, despues de alguno pequeños ajustes (re-prompting) y cambiando de Minitest a Rspec:

RSpec.describe Producto do
  describe "#precio_con_descuento" do
    context "cuando se proporciona un precio válido y una tasa de descuento" do
      it "retorna el precio con el descuento aplicado" do
        producto = Producto.new("Producto de Prueba", 100, 0.2)
        expect(producto.precio_con_descuento(producto.precio, producto.tasa_de_descuento)).to eq(80)
      end
    end

    context "cuando se proporciona un precio nulo" do
      it "lanza un ArgumentError con un mensaje apropiado" do
        producto = Producto.new("Producto de Prueba", nil, 0.2)
        expect { producto.precio_con_descuento(producto.precio, producto.tasa_de_descuento) }.to raise_error(ArgumentError, "El precio debe ser un número positivo")
      end
    end

    context "cuando se proporciona un precio menor que 0" do
      it "lanza un ArgumentError con un mensaje apropiado" do
        producto = Producto.new("Producto de Prueba", -100, 0.2)
        expect { producto.precio_con_descuento(producto.precio, producto.tasa_de_descuento) }.to raise_error(ArgumentError, "El precio debe ser un número positivo")
      end
    end

    context "cuando se proporciona una tasa de descuento nula" do
      it "lanza un ArgumentError con un mensaje apropiado" do
        producto = Producto.new("Producto de Prueba", 100, nil)
        expect { producto.precio_con_descuento(producto.precio, producto.tasa_de_descuento) }.to raise_error(ArgumentError, "La tasa de descuento debe ser un número positivo entre 0 y 1")
      end
    end

    context "cuando se proporciona una tasa de descuento menor que 0" do
      it "lanza un ArgumentError con un mensaje apropiado" do
        producto = Producto.new("Producto de Prueba", 100, -0.2)
        expect { producto.precio_con_descuento(producto.precio, producto.tasa_de_descuento) }.to raise_error(ArgumentError, "La tasa de descuento debe ser un número positivo entre 0 y 1")
      end
    end

    context "cuando se proporciona una tasa de descuento mayor que 1" do
      it "lanza un ArgumentError con un mensaje apropiado" do
        producto = Producto.new("Producto de Prueba", 100, 1.5)
        expect { producto.precio_con_descuento(producto.precio, producto.tasa_de_descuento) }.to raise_error(ArgumentError, "La tasa de descuento debe ser un número positivo entre 0 y 1")
      end
    end
  end
end

Una prueba para entradas válidas, cinco para entradas incorrectas, los seis funcionan, ¡y yo no tuve que escribirlos!

Revisión de código

Una de las características destacables de Github Copilot es la elaboración de los resúmenes de solicitudes de incorporación de cambios de Copilot. cabe destacar que esta función está solo disponible para quienes posean una suscripción de Github Copilot Enterprise, aquí te presento algunos puntos clave:

• Generación automática – Deje que Copilot complete la plantilla de Pull Request o explique el código.
• Generación de pruebas – Genera pruebas para el código basado en el análisis de Copilot
• Texto fantasma – Reciba sugerencias mientras escribe el Pull Request

Desarrollo guiada por voz

¡Antes conocida como "Hey, Github!", Copilot Voice te permite utilizar la voz para generar los prompts para interactuar con el código, Voice cuenta con estas impresionantes capacidades:

• Escribir/Editar código – Usa comandos de voz para disparar sugerencias de código de Copilot
• Explora el código – Recorre un archivo sin utilizar el mouse o el teclado
• Controla el IDE – Dispare cualquier comando de Visual Studio Code utilizando su voz
• Resumen del código – Obtenga resúmenes de bloques de código

Resumen

GitHub rápidamente está generando una explosión de productividad con toda la familia de addons Copilot. Está incrementando el tiempo que disfruto programando y reduciendo el que antes gastaba en tareas triviales. Lo animo, querido lector, a seguir de cerca los avances de Copilot, porque se producen rápidamente.

Ignora los artículos sensacionalistas que prometen "un aumento de productividad de 10 veces la que tiene ahora", pero no ignores esta investigación acerca del impacto que Copilot tiene en la productividad y felicidad de los programadores.

Dedique un poco de su tiempo a utilizar las herramientas que Copilot le brinda, póngalo a prueba en su día a día, y, le garantizo que quedará encantado por el efecto que genera en su productividad y felicidad.

¿Te gustaría hablar con un chatbot que hable como tu personaje favorito, ficticio o no? ¡Construyamos uno!

En caso de que hayas visto mi tutorial anterior sobre este tema, quédese conmigo, ya que esta versión presenta muchas actualizaciones.

Puedes seguir este tutorial usando el código en mi GitHub:

GitHub - RuolinZheng08/twewy-discord-chatbot: Discord AI Chatbot using DialoGPT, trained on the game transcript of The World Ends With You

Discord AI Chatbot using DialoGPT, trained on the game transcript of The World Ends With You - GitHub - RuolinZheng08/twewy-discord-chatbot: Discord AI Chatbot using DialoGPT, trained on the game t...

GitHubRuolinZheng08

Si lo desea, puede sumergirse directamente en mi videotutorial en YouTube, o seguir leyendo para obtener más detalles. ?

Qué Esperar de este Tutorial

Aquí hay un ejemplo del chatbot Discord AI que habremos creado al final de este tutorial.

Mi proyecto de chatbot comenzó como una broma con un amigo cuando jugábamos videojuegos.

Honestamente, estoy sorprendido por lo popular que se volvió - hubo 5900 vistas de mi tutorial anterior, además, cuando implementé mi bot en un servidor de más de 1000 usuarios, la gente lo inundó con más de 300 mensajes en una hora, colapsando efectivamente el bot. ?

Dado que mucha gente está interesada en construir sus propios bots basados en sus personajes favoritos, actualicé mi tutorial para incluir una explicación detallada sobre cómo recopilar datos de texto para cualquier personaje, ficticio o no ficticio.

¡También puedes crear un conjunto de datos personalizado que capture el discurso entre usted y sus amigos y crear un chatbot que hable como usted!

Otras actualizaciones en este tutorial abordan los cambios en los servicios de alojamiento de modelos de Hugging Face, incluidos los cambios de API que afectan la forma en que empujamos el modelo a los repositorios de modelos de Hugging Face.

Esquema de este Tutorial

La versión de video de este tutorial tiene una duración total de una hora y presenta los siguientes temas:

1. Reúne datos de texto para su personaje utilizando uno de estos dos métodos: busque conjuntos de datos prefabricados en Kaggle o cree conjuntos de datos personalizados a partir de transcripciones sin procesar.
2. Entrena el modelo en Google Colab, un entorno de Jupyter Notebook basado en la nube con GPU gratuitas.
3. Implementa el modelo en Hugging Face, un servicio de hospedaje de modelos de AI.
4. Crea un bot de Discord en Python o JavaScript, ¡usted elige! ?
5. Configure los permisos del bot de Discord para que no envíe spam a los canales que no son bots
6. Aloja el bot en Repl.it.
7. Mantenga el bot funcionando indefinidamente con Uptime Robot.

Para saber más sobre cómo crear bots de Discord, también te pueden resultar útiles este post de freeCodeCamp: hay una versión en JavaScript.

Cómo Preparar los Datos

Para que nuestro chatbot aprenda a conversar, necesitamos datos de texto en forma de diálogos. Así es esencialmente cómo nuestro chatbot responderá a diferentes intercambios y contextos.

¿Está tu personaje favorito en Kaggle?

Hay muchos conjuntos de datos interesantes en Kaggle para dibujos animados populares, programas de televisión y otros medios. Por ejemplo:

• Rick and Morty
• Harry Potter
• The Big Bang Theory
• Game of Thrones

Solo necesitamos dos columnas de estos conjuntos de datos: nombre del personaje y línea de diálogo.

¿No puedes encontrar tu personaje favorito en Kaggle?

¿No puedes encontrar tu personaje favorito en Kaggle? No hay problema. Podemos crear conjuntos de datos a partir de transcripciones sin procesar. Un buen lugar para buscar transcripciones es Transcript Wiki. Por ejemplo, mira esta transcripción de 'Captain America: Civil War' Roundtable.

Usando una expresión regular como ([a-zA-Z|\s]+): (.+), podemos extraer las dos columnas de interés, el nombre del personaje y la línea de diálogo.

¡Pruébelo tu mismo en este sitio web de expresiones regulares de Python!

Cómo entrenar el modelo

Debajo del capó, nuestro modelo será un transformador generativo preentrenado (Generative Pre-trained Transfomer - GPT), el modelo de lenguaje más popular en estos días.

En lugar de entrenar desde cero, cargaremos el GPT previamente entrenado de Microsoft, DialoGPT-small, y lo ajustaremos utilizando nuestro conjunto de datos.

Mi repositorio de GitHub para este tutorial contiene el archivo de notebook llamado model_train_upload_workflow.ipynb para que puedas comenzar. Todo lo que necesitas hacer es lo siguiente:

1. Sube el archivo a Google Colab
2. Seleccione GPU como tiempo de ejecución, lo que acelerará el entrenamiento de nuestro modelo.
3. Cambie el conjunto de datos y el carácter de destino en fragmentos de código como:

data = pd.read_csv('MI-CONJUNTO-DE-DATOS.csv')
NOMBRE_DEL_PERSONAJE = 'MI-PERSONAJE'

Revisar la sección de entrenamiento del cuaderno debería tomar menos de media hora. Tengo alrededor de 700 líneas y el entrenamiento toma menos de diez minutos. El modelo se almacenará en una carpeta llamada output-small.

¿Quieres un modelo aún más inteligente y elocuente? Siéntase libre de entrenar un modelo más grande como DialoGPT-medium o incluso DialoGPT-large. El tamaño del modelo aquí se refiere al número de parámetros en el modelo. Más parámetros permitirán que el modelo capte más complejidad del conjunto de datos.

También puedes aumentar la cantidad de épocas de entrenamiento buscando num_train_epochs en el cuaderno. Esta es la cantidad de veces que el modelo recorrerá el conjunto de datos de entrenamiento. El modelo generalmente se volverá más inteligente cuando tenga más exposición al conjunto de datos.

Sin embargo, tenga cuidado de no sobre ajustar el modelo: si el modelo se entrena para demasiadas épocas, puede memorizar el conjunto de datos y recitar renglones del conjunto de datos cuando tratamos de conversar con él. Esto no es ideal, ya que queremos que la conversación sea más orgánica.

Cómo alojar el modelo

Alojaremos el modelo en Hugging Face, que proporciona una API gratis para que podamos consultar el modelo.

Regístrese en Hugging Face y crea un nuevo repositorio de modelos haciendo clic en Nuevo modelo. Obtenga su token de API yendo a Editar perfil > Tokens de API. Necesitaremos este token cuando construyamos el bot Discord.

Sigue junto con esta sección en mi video para cargar el modelo. Además, recuerda etiquetarlo como conversacional en su Tarjeta Modelo (equivalente a su README.md):

---
tags:
- conversational // conversacional
---

# Mi Modelo Impresionante

Sabrá que todo funciona bien si puede conversar con la modelo en el navegador.

Cómo Construir el Bot de Discord

Vaya a la página del desarrollador de Discord, cree una aplicación y añádale un bot. Dado que nuestro chatbot solo responderá a los mensajes de los usuarios, basta con marcar Permisos de Texto > Enviar Mensajes en la Configuración de permisos del bot. Copie el token de API del bot para usarlo más tarde.

Regístrese en Repl.it y crea un nuevo Repl, Python o Node.js para JavaScript, con el que estés trabajando.

Almacenemos nuestros tokens API para Hugging Face y Discord como variables de entorno, llamados HUGGINGFACE_TOKEN y DISCORD_TOKEN respectivamente. Esto ayuda a mantenerlos en secreto.

Copie mi secuencia de comandos de Python para un bot de Python y mi secuencia de comandos de JS para un bot de JS. Tenga en cuenta que para el bot JS, debido a una incompatibilidad de versión con Node y NPM de Repl.it, necesitaremos especificar explícitamente una versión inferior del API de Discord en package.json.

"dependencies": {
    "discord.js": "^12.5.3",
}

¡Con eso, nuestro bot está listo para funcionar! Inicie la secuencia de comandos Repl presionando Run, agregue el bot a un servidor, escribe algo en el canal y disfrute de la respuesta ingeniosa del bot.

Cómo Mantener el Bot en Línea

Un problema con nuestro bot es que se detiene tan pronto como detenemos la ejecución de Repl (equivalentemente, si cerramos la ventana del navegador Repl.it).

Para evitar esto y mantener nuestro bot funcionando indefinidamente, configuraremos un servidor web para que contenga el script del bot y usaremos un servicio como Uptime Robot para fijar nuestro servidor cada cinco minutos para que nuestro servidor permanezca vivo.

En mi videotutorial, copié el código del servidor de esta publicación de freeCodeCamp (versión de JavaScript). Luego, configuré el monitor en Uptime Robot. Ahora mi bot continúa respondiendo a mis mensajes, incluso si cierro el navegador (o apago mi computadora por completo).

¡Felicitaciones por llegar al final de este tutorial! ¡Espero que hayas disfrutado creando el bot y divirtiéndote chateando con tu personaje favorito! ?

¿Interesado en el modelo que entrené? Échale un vistazo en Hugging Face:

r3dhummingbird/DialoGPT-medium-joshua · Hugging Face

We’re on a journey to advance and democratize artificial intelligence through open source and open science.

¡Gracias por leer!