El poder (y potencial peligro) de los modelos multimodales en la IA
La inteligencia artificial sigue sorprendiendo con sus avances, y los modelos de lenguaje de gran escala, o LLMs, como Google Gemini y algunos otros, están dando que hablar. Sin embargo, ahora estos modelos han evolucionado hasta convertirse en lo que se conoce como modelos multimodales, capaces de manejar entradas de audio, video, imagen y texto. Esto significa que cualquier contenido multimedia puede ser convertido en «tokens» o fragmentos de datos, permitiendo a los modelos hacer predicciones sobre qué tokens deberían seguir en una secuencia.
De los modelos LLM a los TPM
Aunque LLM es un término ampliamente aceptado, quizás una descripción más precisa para estos modelos de IA con capacidades multimodales sería «modelo de predicción de tokens» (TPM). Sin embargo, este término aún no ha ganado popularidad. Lo que sí está claro es que un modelo de IA capaz de manejar entradas de video abre un mundo de posibilidades, tanto positivas como potencialmente negativas.
Video scraping: Oportunidades y controversias
El término «video scraping» puede sonar nuevo, pero lo cierto es que no es la primera vez que se utiliza video en modelos de IA para obtener resultados sorprendentes. Un ejemplo llamativo es el de Simon Willison, quien experimentó con el modelo Gemini al utilizar su capacidad de entrada de video nada más ser lanzada. En un post reciente en su blog, contó cómo, usando Gemini 1.5 Pro, extrajo los títulos de los libros de su estantería a partir de un video de solo 7 segundos, creando así una lista perfectamente organizada.
Para aquellos como Willison, que tienen un profundo interés en convertir datos no estructurados en estructuras organizadas, esta técnica es revolucionaria. Hasta ahora, algunas fuentes de datos se resistían al scraping debido a su formato o presentación. Pero con el https://ciberyseguridad.com/ia/, es posible superar estos obstáculos.
Implicaciones éticas y preocupaciones de privacidad
Sin embargo, no todo es un camino de rosas. La capacidad de un modelo multimodal para analizar lo que sucede en la pantalla de un ordenador puede tener implicaciones serias en materia de privacidad. Por ejemplo, la idea de que todo lo que haces en tu ordenador pueda ser capturado y almacenado para futuros usos, plantea riesgos evidentes. Aplicaciones de terceros, o incluso funciones integradas en sistemas como Windows 11, están utilizando métodos de video scraping para alimentar modelos de IA, almacenando los datos extraídos en bases de datos que podrían ser vulnerables a ataques.
Estas prácticas exponen a los usuarios a posibles invasiones de privacidad y al riesgo de que sus actividades queden registradas sin su consentimiento. Este es un debate que ya ha causado controversia y seguirá siendo tema de discusión a medida que la tecnología avance.
El futuro que nos espera
En última instancia, la llegada de los modelos de IA multimodales promete revolucionar la forma en que interactuamos con la tecnología. Ya sea mejorando la precisión en la extracción de datos o planteando nuevas consideraciones éticas y de seguridad, está claro que este desarrollo es solo el comienzo. En España, como en cualquier otro lugar, estaremos atentos a ver cómo empresas y usuarios implementan y regulan estas innovaciones para asegurar que el uso de estas herramientas sea responsable y beneficioso para todos.
Este emocionante avance nos recuerda que la tecnología puede ser tanto una herramienta de progreso como un desafío a nuestra privacidad y seguridad. La clave estará en cómo decidamos manejar estos cambios y en garantizar que el bienestar de los usuarios siga siendo una prioridad en este vertiginoso viaje digital.
