La Inteligencia Artificial (IA) ha revolucionado el mundo de la tecnología, cambiando la forma en que interactuamos con las máquinas y entendemos la automatización. Aunque existen diferentes formas de IA, una subcategoría que ha capturado la imaginación colectiva es la Inteligencia Generativa Artificial (IAG).
I - ¿Qué es la Inteligencia Artificial Generativa?
El IAG es un subconjunto de la IA que utiliza
algoritmos y modelos matemáticos para dar lugar a nuevas creaciones
basadas en datos de entrenamiento previos. En esencia, el IAG permite
que las máquinas generen datos que imitan los datos reales en
apariencia y estructura. Algunos ejemplos comunes de IAG incluyen la
creación de imágenes, texto, sonidos y otros tipos de datos.
A
un nivel más técnico, IAG a menudo se asocia con modelos de
aprendizaje profundo, como redes generativas antagónicas (GAN),
máquinas de Boltzmann, redes neuronales de autocodificador, entre
otros. Estos modelos están diseñados para generar nuevos datos
basados en patrones aprendidos de los datos de entrenamiento.
Las
redes adversarias generativas (GAN), las máquinas de Boltzmann y las
redes neuronales de autocodificador son modelos utilizados en el
campo del aprendizaje automático y la inteligencia artificial para
abordar diferentes problemas de generación y representación de
datos.
1 Redes adversarias generativas (GAN):
Las GAN son un
tipo de modelo que consta de dos componentes principales: un
generador y un discriminador. El generador toma ruido aleatorio como
entrada e intenta generar muestras que suenen auténticas, como
imágenes realistas o secuencias de texto. El discriminador, por otro
lado, trata de distinguir entre las muestras generadas por el
generador y las muestras reales del conjunto de datos de
entrenamiento. Estos dos componentes están entrenados
adversarialmente, es decir, el generador trata de engañar al
discriminador mientras que el discriminador intenta ser cada vez más
preciso en su clasificación. El objetivo final es que el generador
sea capaz de generar muestras indistinguibles de las reales.
2 Máquinas Boltzmann:
Las máquinas de Boltzmann son modelos
basados en la teoría de la física estadística. En el contexto del
aprendizaje automático, se utilizan como modelos generativos
estocásticos. Consisten en una red de unidades de procesamiento
interconectadas, donde cada unidad puede estar en uno de dos estados:
encendido o apagado. Las máquinas de Boltzmann están diseñadas
para aprender la distribución de probabilidad de un conjunto de
datos dado. Utilizan un proceso de muestreo estocástico para generar
nuevas muestras y se entrenan ajustando los pesos de conexión para
maximizar la probabilidad de generar las muestras reales a partir del
conjunto de datos.
3 Redes Neuronales Autoencoder:
Los
codificadores automáticos son un tipo de red neuronal que se utiliza
para aprender una representación de menor dimensión de un conjunto
de datos de entrada. Estos modelos constan de dos componentes
principales: un codificador y un decodificador. El codificador
transforma los datos de entrada en una representación de menor
dimensión llamada "código latente", mientras que el
decodificador intenta reconstruir los datos originales a partir de
ese código latente. Los codificadores automáticos están entrenados
para minimizar la diferencia entre los datos de entrada y la salida
reconstruida. La capacidad de los codificadores automáticos para
comprimir y reconstruir datos es útil para tareas como la reducción
de dimensionalidad, la eliminación de ruido o la generación de
nuevos datos similares a la entrada.
En resumen, las GAN se
enfocan en generar muestras auténticas a partir de ruido aleatorio,
las máquinas de Boltzmann se enfocan en modelar la distribución de
probabilidad de un conjunto de datos y los codificadores automáticos
se usan para aprender una representación de menor dimensión de los
datos. aporte. Cada uno de estos modelos tiene diferentes
aplicaciones y enfoques, pero todos tienen el objetivo común de
generar o representar datos de manera efectiva en el campo del
aprendizaje automático.
II - ¿Cómo funciona la IAG?
En la IAG, los modelos de aprendizaje profundo aprenden los patrones y las
características de los datos de entrada y utilizan este conocimiento
para crear nuevas instancias de datos. Por ejemplo, en el caso de las
GAN, existen dos redes neuronales: la red generadora y la red
discriminadora.
La red generadora crea nuevas instancias de datos
mientras que la red discriminadora intenta distinguir entre
instancias reales y generadas. Este proceso se realiza de forma
iterativa y, con el tiempo, la red del generador mejora cada vez más
a la hora de crear instancias de datos que parecen reales.
Podría
decirse que se llevan a cabo las siguientes etapas o el siguiente
esquema de actividades.
1 Aprendizaje y comprensión: al igual que
los humanos, un sistema IAG debería ser capaz de aprender de una
variedad de fuentes, incluida la lectura de texto, la escucha del
habla, la observación de eventos del mundo real y posiblemente
incluso a través de experiencias sensoriales más directas,
dependiendo de como esta equipado. También necesitaría poder
comprender los conceptos que está aprendiendo, es decir, formar un
modelo mental coherente del mundo y cómo funciona.
2
Adaptabilidad: un sistema basado en IAG también tendría que ser adaptable,
capaz de cambiar su comportamiento en respuesta a nueva
información o experiencias. Esto incluye la capacidad de aprender
nuevas habilidades y mejorar las habilidades existentes a través de
la práctica y la experiencia.
3 Resolución de problemas: la IAG
necesitaría ser capaz de resolver problemas, lo que implica un
pensamiento lógico y analítico para resolver problemas
sistemáticamente, y creatividad para encontrar nuevas soluciones a
problemas sin una solución obvia.
4 Planificación y toma de
decisiones: Además, un sistema IAG necesitaría poder planificar
acciones para lograr objetivos y tomar decisiones basadas en sus
creencias y valores. Esto requeriría algún tipo de modelo de toma
de decisiones y posiblemente también la capacidad de prever las
consecuencias de diferentes acciones.
5 Interacción social: por
último, es probable que un sistema IAG también necesite cierta
capacidad para interactuar socialmente con humanos y otras IA, lo que
podría incluir la capacidad de comprender y generar lenguaje
natural, así como la capacidad de comprender y responder a las
emociones humanas.
III - Aplicaciones de IAG
La IAG ha
encontrado aplicaciones en una variedad de campos. En el arte
digital, se utiliza para generar nuevas obras de arte. Las empresas
de medios utilizan la IAG para crear contenido, como artículos de
noticias o guiones de películas. Los científicos de datos pueden
usar la IAG para generar datos sintéticos cuando los datos reales
son limitados o confidenciales.
En el diseño de productos, la IAG
se utiliza para crear nuevas ideas para productos o diseños de
interiores. Incluso en medicina, la IAG puede generar imágenes
médicas sintéticas para ayudar a la formación y la
investigación.
Podemos presentarlos esquemáticamente de la
siguiente manera.
1 Creación de arte: el IAG se ha utilizado para
generar nuevas obras de arte, incluidas pinturas, música, poesía y
más. Los algoritmos de IAG pueden aprender de los estilos de varios
artistas y luego crear nuevos trabajos que imiten ese estilo, o
incluso fusionar estilos para crear algo completamente nuevo.
2
Generación de imágenes y videos: las GAN se utilizan para crear
nuevas imágenes y videos que son prácticamente indistinguibles de
las imágenes y videos reales. Esto puede ser útil en áreas como
los efectos especiales, donde puede ser costoso o difícil crear
ciertos escenarios o efectos.
3 Síntesis de voz: el IAG se puede
utilizar para generar voces que suenen humanas a partir de un texto.
Esto puede ser útil en una variedad de aplicaciones, desde
asistentes de IA hasta audiolibros.
4 Aumento de datos: en el
aprendizaje automático, a veces no hay suficientes datos disponibles
para entrenar un modelo de manera efectiva. En estos casos, la IAG se
puede utilizar para generar datos adicionales que se pueden utilizar
para la formación.
Entre muchos otros que la evolución nos
permitirá ver, incluso con mucho mayor detalle cada vez.
IV - Desafíos y Limitaciones
A
pesar de su enorme potencial, la IAG también presenta desafíos y
limitaciones. La calidad de la salida generada está fuertemente
ligada a la calidad de los datos de entrenamiento. Los sesgos
presentes en los datos de entrenamiento pueden reflejarse en los
resultados generados.
Además, a pesar de las impresionantes
capacidades de IAG, todavía se encuentra en una fase temprana de
desarrollo. Muchos de los avances actuales de IAG son experimentales
y aún no están listos para aplicaciones comerciales a gran
escala.
V - Derechos de Autor en Inteligencia Artificial
Generativa
Son varias las cuestiones o problemas que se presentan,
enumeraremos algunos de ellos a continuación.
¿Puede una IA
poseer derechos de autor?
Si un sistema de IA genera trabajo
creativo, ¿quién posee los derechos de autor? ¿Es el programador
de la IA, el usuario que instruyó a la IA, la entidad propietaria de
la IA, o no hay propietario porque la IA no puede poseer los derechos
de autor?
Para responder a esta pregunta, debemos considerar la
ley de derechos de autor actual y su interpretación.
Tradicionalmente, la ley de derechos de autor ha sido diseñada para
proteger las creaciones de personas naturales, individuos humanos, al
exigir una obra original creada por un autor humano. Dado que las
leyes de derechos de autor se basan en gran medida en el concepto de
originalidad y creatividad humanas, es inadmisible argumentar que una
IA puede ser titular de derechos de autor.
En varios países,
incluidos Estados Unidos y gran parte de Europa, los tribunales han
sostenido que las obras creadas por IA no son elegibles para la
protección de derechos de autor porque no involucran la creatividad
de un autor humano. Esta interpretación de la ley deja un resquicio
para las obras generadas por IA.
¿Podemos hablar de originalidad
en las obras generadas por IA?
Las IA no "crean" en el
sentido humano, sino que generan obras basadas en patrones y datos de
entrada. Esto plantea dudas sobre cómo son las creaciones de IA
"originales", un factor crítico para ser elegible para la
protección de derechos de autor.
Si entendemos que la
originalidad deriva de la personalidad del autor -en esta dimensión
actual del concepto como originalidad subjetiva- no cabe la
calificación de obras creadas por IA.
¿Puede un ser humano reclamar los derechos de autor de una obra creada por IA?
Por otro
lado, aunque la IA puede no ser reconocida como autora, se puede
argumentar que el programador de la IA o el usuario que usa la IA
para generar un trabajo puede ser considerado el autor del trabajo
generado. Sin embargo, esta interpretación no está exenta de
problemas.
Cuando un usuario usa una IA para generar un trabajo,
el usuario puede tener cierto control sobre los parámetros y las
entradas, pero en última instancia, la IA determina el resultado
final. ¿Es suficiente este nivel de control para considerar al
usuario como autor de la obra? Aunque no hay una respuesta
definitiva, algunos tribunales han sostenido que el mero hecho de
usar una máquina para crear una obra no convierte al usuario en
autor de esa obra.
De manera similar, aunque el programador de IA
ha diseñado el algoritmo que genera el trabajo, el programa de IA
está creando el trabajo de forma autónoma. Por lo tanto, es
cuestionable si el programador puede ser considerado el autor de los
trabajos generados por IA.
¿Se puede hablar de infracción de
derechos de autor en las obras de IA Generativa?
Cuando una IA
genera contenido basado en datos de obras con derechos de autor,
¿está infringiendo esos derechos de autor? Por ejemplo, si una IA
genera una nueva canción después de recibir miles de canciones con
derechos de autor, ¿está violando esos derechos?
En la compleja
hipótesis de que la generación creativa de la IA provocó un
conflicto con los derechos de autor en el sentido actual, es decir,
con los derechos de una persona natural, es complejo determinar quién
puede ser responsable. Este es un punto central que hoy no se define,
ni se entiende principalmente en un solo sentido.
En una praxis
habitual de IA no podría entenderse que haya habido dolo o fraude,
pero en la realidad es imposible descartar que pueda producirse.
¿Quién sería responsable de la infracción de derechos de autor de las obras de IA generativa?
¿Quién es responsable? ¿El programador de IA, el
usuario, el propietario, todos o ninguno?
La forma de responder a
este punto no puede desligarse de la consideración de la autoría
respecto de tales obras, pues quien se entiende como responsable de
la existencia de una creación –el autor– es el responsable
último de lo que ha hecho.
Si tenemos dudas o inconsistencias
respecto a quién es el autor, en principio se traslada la misma duda
a quién es el responsable.
La Ley puede determinar quién es el
responsable, aun sin pronunciarse sobre quién es el autor o si hay
autor en las obras de AI... pero sin norma jurídica que resuelva
sobre la materia, no hay preceptos, sólo interpretaciones o
especulaciones.
Licencias y uso de datos
Muchos algoritmos de
IA se entrenan con grandes cantidades de datos, algunos de los cuales
pueden estar protegidos por derechos de autor. ¿Cómo afecta esto a
la creación de la IA y quién sería el responsable de garantizar
que se respeten los derechos de autor en los datos de
entrenamiento?
Personalmente, por analogía con lo que es la
inspiración en un proceso de inteligencia humana, entiendo que el
manejo de datos que incluyen obras protegidas por derechos de autor
debe ser considerado lo mismo que un proceso de inspiración: ser
libre.
No es lo mismo el uso de datos de IA que el acto individual
o colectivo de explotación de obras tradicionales de Copyright, ya
que en este caso la obra se explota como tal.
Tampoco se trata de
la obra en su totalidad como en el caso de las obras derivadas. Por
tanto, al no existir una previsión específica en este caso, como ha
ocurrido por razones técnicas en otras soluciones jurídicas, puede
entenderse que técnicamente no existe explotación.
Está claro
que actualmente no existen disposiciones legales que impongan una
solución.
CONCLUSIONES
La Inteligencia Artificial Generativa o IAG es un subcampo de la IA que se enfoca en crear nuevos datos a partir de datos de entrenamiento existentes. Aunque todavía es un área de investigación en desarrollo, IAG ya ha demostrado su potencial en una amplia variedad de aplicaciones, desde la creación de arte hasta la generación de datos sintéticos para la investigación científica. A medida que la tecnología continúa avanzando, no hay duda de que IAG desempeñará un papel cada vez más destacado en nuestra interacción con la tecnología y la IA.
Como hemos visto, la evolución de la IA generativa presenta varios desafíos para la ley de derechos de autor. Uno de estos desafíos es cómo asignar los derechos de autor a las obras generadas por IA. Otro desafío es cómo manejar la infracción de los derechos de autor, ya que una IA puede generar obras que infrinjan los derechos de autor sin que el desarrollador o el usuario se den cuenta.
Una posible solución al desafío de la asignación de derechos de autor puede ser crear una nueva categoría de derechos de autor para las obras generadas por IA. Esto podría implicar que la IA sea reconocida como una especie -diferente a las que se conocen hoy en día- de autoría, o podría implicar que los derechos de autor de las obras generadas por la IA se asignen a la persona que usa o programa la IA. Sobre esta base, también puede ser necesario cambiar la ley para aclarar quién es responsable de las infracciones de derechos de autor en las obras generadas por IA. Muchos otros temas se basan en la definición de estos dos.
La IA generativa plantea problemas de derechos de autor nuevos y complejos. La ley actual puede no ser adecuada para manejar estos problemas y puede ser necesario hacer ajustes a la ley o interpretarla de nuevas formas. Sin embargo, cualquier cambio debe equilibrar la protección de los derechos de autor con la promoción de la innovación y la creatividad, tanto humana como de IA. Como cualquier desarrollo tecnológico disruptivo, la IA generativa nos desafía a reconsiderar nuestras viejas formas de pensar y adaptarnos a las nuevas realidades.
Links para profundizar:
https://www.wipo.int/wipo_magazine/es/2017/05/article_0003.html
https://ethic.es/2023/03/quien-tiene-el-copyright-del-arte-hecho-por-la-inteligencia-artificial/
https://cerlalc.org/publicaciones/la-inteligencia-artificial-y-el-derecho-de-autor/
https://revistas.uexternado.edu.co/index.php/propin/article/view/7022/9739
https://lexlatin.com/reportajes/chatgpt-plagio-autor-no-humano
Imagen: Estudio (1914), Rafael Barradas, 1890 - 1929
Acervo del Museo Nacional de Artes Visuales, Montevideo, Uruguay
No hay comentarios:
Publicar un comentario