Menos hamburguesas y más paellas: así será el ChatGPT español anunciado por Pedro Sánchez | Tecnología

ChatGPT, Gemini, Copilot y otras aplicaciones impulsadas por IA de grandes empresas que funcionan bien en español. Ese domingo, sin embargo, el presidente Pedro Sánchez anunció en Barcelona que su gobierno colaboraría en la construcción de un «gran modelo fundamental de lenguaje de inteligencia artificial entre castellano y cooperativo, en código abierto y transparente». ¿Cuáles son los nuevos beneficios y beneficios que aporta esta iniciativa? Según fuentes gubernamentales, el plan se encuentra actualmente «en la fase de anuncio del proyecto»: los detalles sobre el personal y las finanzas con quienes están considerando el plan podrían conocerse «pronto», sin ser concretos. la fecha.

EL PAÍS consultó todos los detalles del proyecto con las organizaciones que colaboraron en el anuncio de Sánchez, así como con los expertos que participaron en proyectos similares en España. Estas son algunas de las características que tendrá el modelo fundamental de inteligencia artificial (IA) adoptado en España.

1. No existe un “chatbot” general

Un modelo “fundamental” no tiene significado para nosotros. chatbot en general como ChatGPT, que requiere un trabajo largo y humano con kilómetros de instrucciones. Como no puede preocuparse por todo, no publicará una página a la que el público pueda acceder. Es un modelo de IA fundamental para empresas y administraciones que trabajan para sus necesidades específicas.

“Es un problema de fondo”, afirmó Pep Martorell, subdirector del Barcelona Supercomputing Center (BSC), institución que Sánchez nombró como una de las responsables del proyecto. «Si la administración quiere crear una chatbot para atención primaria por ejemplo ¿cómo hacerlo? ¿Acerca de OpenAI? Por eso hay muchos problemas, licencia, sesgo, datos cera, idioma”, señala Martorell.

El modelo fundamental es el de las consecuencias para cada organización que tiene su “casa” con la IA. Al creador de estos proyectos le resulta más fácil ser un organismo público conocido, más comprometido con la transparencia, que una empresa de Silicon Valley: “Una empresa difícil de salir de ChatGPT para determinados dominios por casualidad”€, afirma Marta Villegas. jefe de tecnologías del lenguaje del BSC, en referencia a los escandalosos errores en sus respuestas. “Hay situaciones de quien no necesita tantas cosas y hay muchas peticiones de modelos para adaptarlos a un negocio concreto y reintegrarlos para resolver dudas sobre una marca de coche, un servicio público (como pagar el IBI, por ejemplo) «, y otra vez.

2. No es fácil de hacer

El BSC y su nuevo superordenador MareNostrum 5 son la base para la creación de este modelo. Sin una enorme capacidad informática, es imposible entender una IA como escritora. En un país como España, sin el impulso público de varias administraciones, no se podrá intentar crear algo como esto: «Esto es algo que habéis visto en varios países europeos, desde el sector público se promoverá que Los modelos se generarán aprobándolos. recursos de los grandes centros de investigación”, afirma Martorell.

Hay además un segundo problema: en España sólo un grupo tiene capacidad para programar un modelo de este tipo. Todos ellos están presentes en los centros de investigación de las universidades: “Somos un hombre capaz de hacer esto”, afirmó Germán Rigau, subdirector del HiTZ (Centro Vasco de Investigación de Tecnologías del Lenguaje), pionero en España. ±a. “El desarrollo de la IA es algo que nadie sabe cómo hacer. Solo unos centros lo hacemos y evaluamos”, desarrolla. El HiTZ es capaz de presentar el modelo de lenguaje más grande que tiene en España, que es en euskera y está basado en una llama, de Meta, que es un código abierto. Además, es difícil mantener el talento: “Hemos motivado a los jóvenes a decidir que es un centro de referencia, pero también hay muchísimos en Google, Amazon, Cohere o mi empresa”, añadió.

Todo esto no implica necesariamente que este efecto se produzca en conjunto con la producción de un modelo de última generación. Es más probable que haya una generación anterior: “De hecho pensamos que antes de 2024 tendremos un modelo GPT-3 en castellano y el resto de idiomas coordinados disponibles para las empresas”, afirma Martorell. Y en cuanto a GPT-4, ¿qué hay ahora disponible para ChatGPT? “Y depende de los datos que recibamos y de la capacidad del Mare Nostrum 5 que nos permita”, añadió.

3. Mucho béisbol, menos fútbol

Los modelos como ChatGPT son multilingües: no quieres hablar un idioma con otro cuando lo aprendes y lo usas para traducir. Pero una lengua no son sólo sus palabras, también es el contexto y la cultura. Hay un montón de variables: tradición, ocio, cocina, deportes. Todo este contexto no es sólo cultura, sino también el significado de refranes o cosas idiomáticas que son las únicas que se sienten en una lengua, que son intransducibles.

Con el español, un idioma ampliamente representado en Internet, es relativamente fácil ganar buena calidad. Incluido con catalán. Pero los millones de textos (llamados «cuerpo») que se utiliza para contratar gallego o euskera es mucho menor, explica Rigau: “En euskera tenemos 4.000 millones fichas (Algunos mensajes de texto se bloquean usando las máquinas para escuchar el idioma). El catalán tenderá a alcanzar los 20.000 millones, 5 veces más. El español tenderá a 250.000, que también es más que el catalán. Esto es todo lo que podemos enganchar. Para muchas personas que nos tranquilizan, la escalada está ahí.

Un objetivo de este modelo fundamental es registrar una cuerpo mejor en cuatro lenguas cooficiales. Cada institución pretende identificar las organizaciones que han creado textos en sus lenguas, a partir de los parlamentos autónomos de televisiones: “Para nuestras lenguas, tenemos una investigación más profunda sobre los contenidos y un espacio para recoger datos no contradictorios: Wikipedia, de Por supuesto, pero también los datos de los parlamentos autonómicos, de TV3, Dialnet o el CSIC nos permitieron registrar revisiones en apertura, así como los datos de la Fundación Elcano y los míos mucho. Para el catalán, por ejemplo, tenemos datos de Amnium, Vilaweb, cada grupo tiene un espacio en su lengua para obtener datos del curado”, afirma Villegas. Con gallego y vasco hay un trabajo similar.

Todo esto no sólo pretende que el modelo responda en un país más correcto, si no el mejor de lo que se ha hecho en cuanto a parámetros regionales: “Un modelo de gran empresa sabe mucho de la Superbowl. y será muy anglocéntrico”, dice Villegas. «Es sólo desde el punto de vista del lenguaje, si el conocimiento está implícito, del modelo del mundo», añadió. El modelo español debe tener menos bebés y hamburguesas y más fútbol y paellas.

Cuando se cuenta con un alcalde cuerpo en un idioma, tienes más información sobre el mundo complejo que se describe en ese idioma. Por lo tanto, cuando se trata de analizar clínicas escritas por médicos o sentencias legales, es fundamental que se comprometan y sintonicen con el idioma y el contenido local o perderán conocimientos profesionales.

4. Es una apuesta estratégica

Junto a las necesidades lingüísticas y culturales de un país como España, está la intención de hacer buena tecnología. “No es sólo una cuestión sentimental, histórica o cultural”, afirmó Senén Barro, catedral de la Universidad de Santiago de Compostela y director del Centro Singular de Investigación en Tecnología Intelectual. “Es estratégico. Si somos capaces de crear una industria potente en España, las empresas de tecnología lingüística por sí solas no pueden trabajar para el autoconsumo chino en el mundo, por ejemplo en países multilingües como este. Es un mercado brutal. Se estima que a finales de la década la economía de la tecnología del lenguaje podría alcanzar los 100.000 millones. Es una cantidad enorme”, dijo.

Es raro que muchos datos médicos o jurídicos que requieren el uso de administraciones o empresas españolas estén a disposición de la tecnología nacional china. «También tiene que ser sobrio, ese es el trabajo de la industria», afirma Rigau. “¿Dependeremos siempre de fuera?” Hay muchos datos sensibles…

5. El problema de los derechos de autor persiste

La dificultad inicial de crear un modelo es registrar kilómetros de millones de textos. El lugar más obvio es la web. La organización Common Crawl reconoce periódicamente todo lo que hay en Internet. Su objetivo es que este material sea accesible para todos, no sólo para las grandes tecnológicas: “Las pequeñas empresas o incluso los particulares pueden acceder a datos de rastreo de alta calidad que antes solo estaban disponibles para las grandes empresas”, afirma. en tu pagina. De ahà saldrán también los datos de este modelo hecho en España.

En el Common Crawl los archivos están todos presentes en la web: también gráficos, pornografía, memes absurdos y, con toda probabilidad, material protegido por derechos de autor, con derechos. El modelo limpio se encarga de introducir todas las referencias, tóxicas o lascivas, pero el material con derechos es el más delicado: “Por eso no hay un tema de derechos de autor que sea complicado. Le sugerimos descargar Common Crawl, el cual en EE UU está autorizado bajo el amparo de uso justo», de Villegas. Este “uso justo” permite el uso de material con derechos para personas específicas, como educación, noticias o academia. Su uso para realizar modelos de IA ya está en disputa legal.

“Estos modelos no tienen copias”, explica Rigau. “Es algo muy complejo, es como una persona que pesa mucho, 20 millones de libras. ¿Qué recuerdas de ellos? Eso es todo, lo mismo. Lee, no hay copia. La memoria de la máquina Tampoco es muy buena: inventa cosas, la imaginación. Si el principio de El Quijote no sabré seguir. Sabrácosas, recordará canciones como cualquier persona. Memoriza algo, pero no es un trabajo completo de la nada”, asegura.

Puedes seguir un EL PAÍS Tecnología fr. Facebook Sí X o aplicar agua para recibirla nuevamente boletín semanal.

_