Mientras que los modelos de lenguaje grandes (LLMs) y la inteligencia artificial generativa han sido muy comentados durante el último año, la mayor atención se ha centrado en su intersección: la capacidad de generación de texto de los LLMs. No cabe duda de que la habilidad para generar respuestas a preguntas es una de las principales propuestas de valor de los LLMs. Sin embargo, existen otros usos de los LLMs que son tanto comunes como valiosos. Este post discutirá algunos de los principales usos de los LLMs para asegurar que no caigas en la trampa de considerarlos exclusivamente para fines generativos.
Creación / Generación
Este es el caso de uso de los LLM que más atención recibe actualmente. Haces una pregunta a una aplicación como ChatGPT y esta responde con una respuesta detallada. O, proporcionas una solicitud a una aplicación como DALL-E y esta genera una imagen basada en esa solicitud. También hay generadores enfocados en código, video y mundos virtuales 3D.
Lo interesante para mí es que muchos de los mismos enfoques algorítmicos fundamentales se utilizan para generadores de todo tipo. El contenido que se devuelve —texto, imágenes, videos— varía. Sin embargo, dado que todos procesan una solicitud, todos deben ser entrenados para entender y descomponer esa solicitud para guiar el proceso de generación. Por lo tanto, todos necesitan LLMs. Pero la generación de nuevo contenido para responder una pregunta, aunque es en lo que más gente se enfoca, no es todo lo que los LLMs pueden hacer.
Resumen
Los LLMs también son excelentes para resumir información que les proporcionas. Quizás haya una lista de papers en tu lista de lectura pendiente. Puede ser difícil motivarse para empezar a trabajar en ellos. Una manera de comenzar es alimentar los papers a un LLM y pedirle al LLM que resuma sus temas clave e identifique qué puntos los papers parecen tener en común y en qué difieren. Teniendo eso como base, puedes comenzar con algunas ideas claras sobre en qué enfocarte mientras lees los papers.
Una de las ventajas de usar IA para resumir contenido es que el riesgo de errores es menor que con la generación. La razón es que estás limitando al LLM a tomar lo que le diste y resumirlo en lugar de pedirle que genere nuevo contenido. Aunque es posible que el LLM pueda enfocarse en las cosas equivocadas o perderse un patrón en tus entradas, es improbable que se equivoque completamente.
Traducción
La traducción, aunque a menudo subestimada, podría tener algunas de las aplicaciones más amplias e impacto. Por ejemplo, los LLMs ya se están utilizando para ayudar a traducir código antiguo de lenguajes ahora poco comunes a lenguajes de programación modernos. Un LLM puede tomar el código antiguo y generar un borrador de cómo se traduciría en el nuevo lenguaje de programación. Por supuesto, no será perfecto y requerirá alguna edición humana para completar el trabajo. Si el LLM logra el nuevo código “bastante bien”, un buen programador podrá entender qué se pretende hacer con el código y hacer las ediciones necesarias para terminar la traducción, incluso con un conocimiento limitado del lenguaje original.
La traducción de lenguajes humanos también tendrá enormes impactos. Muy pronto, podremos hablar con cualquier persona en el mundo en nuestro idioma preferido y tener lo que decimos traducido instantáneamente al idioma que prefiera la persona con la que estamos hablando. Ya no necesitaremos aprender un idioma común para comunicarnos. Esto también será beneficioso para mantener vivos los idiomas poco comunes, ya que ya no habrá una gran “penalización” por comunicación debido a la falta de personas que conozcan el idioma.
Interpretación / Extracción
Otro uso clave de los LLMs es hacer que interpreten una declaración y luego usar esa interpretación para provocar que se tomen acciones adicionales. Los generadores de imágenes hacen uso de este enfoque. Otro ejemplo es hacer una pregunta analítica en lenguaje sencillo, tener un LLM que extraiga la intención de la pregunta y luego pasar esa información a un generador de consultas. Por ejemplo, pido “Por favor, resume las ventas de este año por región y subtotal por producto”. Un LLM puede interpretar esa solicitud, extraer los parámetros clave de ella y alimentarlos a un generador de consultas para obtener mi respuesta.
Los LLMs también pueden ayudar con casos de uso clásicos como el análisis de sentimientos. De manera similar, las consultas de servicio al cliente pueden ser ingeridas y luego se pueden extraer varios hechos sobre cada consulta. Por ejemplo, ¿Sobre qué producto estoy preguntando? ¿Qué problema estoy planteando? ¿Qué acción estoy solicitando? A partir de ahí, puedo ser dirigido de manera más efectiva a la persona que puede ayudar mejor.
