Recientemente, OpenAI ha sacudido el entorno digital con una controvertida actualización de ChatGPT 4.0. La nueva versión del modelo se ganó rápidamente las críticas en plataformas como Twitter por ser demasiado complaciente, lo que llevó a la empresa a revertir la modificación en un corto período de tiempo. Esta situación desató un análisis en profundidad por parte de OpenAI, revelando que habían utilizado las valoraciones de los usuarios, tanto positivas como negativas, en el entrenamiento del modelo. Esto planteó serias dudas sobre la calidad de los datos humanos empleados en el aprendizaje automático.
Este suceso destaca una importante preocupación: asumir que las preferencias humanas siempre constituyen el estándar de oro puede no ser del todo correcto. Los gustos promedio pueden ser simplemente eso, promedio, lo cual no garantiza la creación efectiva de productos de inteligencia artificial. En este escenario emerge la idea de los datos sintéticos, considerados como una alternativa para replicar y escalar decisiones óptimas en el desarrollo de productos.
Los datos sintéticos están estructurados en torno a cuatro pilares básicos: evaluación, entrenamiento, generación de datos y juicio sobre los mismos. Esta clasificación abre un abanico de posibilidades para mejorar tanto los modelos como los productos. La combinación de casos de uso y modalidades permite a las empresas beneficiarse de una menor cantidad de datos de alta calidad o recomendaciones de expertos, logrando efectos significativos.
En un podcast reciente, Sholto Douglas sugirió que, incluso si el progreso de la inteligencia artificial se detuviera por completo, los algoritmos actuales tienen el potencial suficiente para automatizar gran parte del trabajo de oficina, siempre que se disponga de los datos adecuados. A pesar de que las opiniones pueden diferir, es indiscutible que existen numerosas oportunidades por explorar en el ámbito de la automatización, dependiendo de la estrategia de datos implementada.
La aplicación de datos sintéticos permite amplificar el impacto de un pequeño volumen de información de alta calidad. La estrategia se basa en una asimetría fundamental: verificar es más fácil que generar. Así, la capacidad de un modelo para mejorar con datos autocreados se sustenta en que resulta más sencillo confirmar la validez de un resultado que crearlo desde cero. Esto sugiere que los datos sintéticos pueden potenciar significativamente el refinamiento y extracción de información latente dentro de un modelo, ofreciendo un camino para avanzar en el desarrollo de productos basados en inteligencia artificial.
