{"id":1594,"date":"2024-12-04T18:16:37","date_gmt":"2024-12-04T17:16:37","guid":{"rendered":"https:\/\/bitsolto.com\/bitacora\/?p=1594"},"modified":"2024-12-04T18:17:27","modified_gmt":"2024-12-04T17:17:27","slug":"introducion-a-ia","status":"publish","type":"post","link":"https:\/\/bitsolto.com\/bitacora\/blog\/introducion-a-ia\/","title":{"rendered":"Introduci\u00f3n \u00e1 Intelixencia Artificial: Orixes e evoluci\u00f3n"},"content":{"rendered":"<blockquote>\n<p>A intelixencia artificial \u00e9 unha ferramenta poderosa que redefine a creatividade, a produtividade e a interacci\u00f3n humana coa tecnolox\u00eda. Con todo, a s\u00faa capacidade para aprender de n\u00f3s tam\u00e9n implica desaf\u00edos \u00e9ticos e de seguridade. Como usuarios, debemos ser conscientes do seu potencial e das s\u00faas limitaci\u00f3ns, garantindo que a IA sexa utilizada como unha aliada, non como unha ameaza.<\/p>\n<\/blockquote>\n<p>A Intelixencia Artificial (IA) xerativa converteuse nun tema central na sociedade actual. Pero, antes de afondar, cantos de v\u00f3s empregastes ChatGPT para facer traballos ou exercicios? Non vos preocupedes, isto \u00e9 algo cada vez m\u00e1is habitual. Por exemplo, a mi\u00f1a filla de 11 anos descubriu ChatGPT e usa a IA para facer exercicios escolares, algo que pode levar tanto ao \u00e9xito coma a alg\u00fan contratempo se a descubren.<\/p>\n<p>Agora, falando m\u00e1is en serio, eu ded\u00edcome \u00e1 tecnolox\u00eda desde moi novo. Empecei a programar con 12 anos, fun seleccionado como <strong>&quot;Xove Promesa da Inform\u00e1tica&quot;<\/strong> por un programa de radio chamado <em>Benvido Mr. Chip<\/em>, e toda a mi\u00f1a carreira profesional estivo ligada \u00e1 inform\u00e1tica. Actualmente, traballo como <strong>Chief Digital Officer<\/strong> en Telef\u00f3nica, onde lidero transformaci\u00f3ns dixitais que abarcan \u00e1reas como <em>cloud computing<\/em>, <em>big data<\/em>, e a propia Intelixencia Artificial.<\/p>\n<hr \/>\n<h2><strong>A Intelixencia Artificial: De onde vimos?<\/strong><\/h2>\n<p>A inform\u00e1tica naceu nos anos 50, cando se definiu como a &quot;ciencia que automatiza tarefas repetitivas&quot;. Aqu\u00ed est\u00e1 a base do que hoxe co\u00f1ecemos como Intelixencia Artificial.<br \/>\nCando un problema se resolve cun algoritmo que automatiza unha tarefa, obtemos unha soluci\u00f3n dixital. Isto funcionou durante d\u00e9cadas, pero ten unha limitaci\u00f3n clave:<\/p>\n<blockquote>\n<p><strong>Cantos m\u00e1is problemas temos, m\u00e1is algoritmos necesitamos.<\/strong><\/p>\n<\/blockquote>\n<p>Por exemplo:<\/p>\n<ul>\n<li>1 problema = 1 algoritmo<\/li>\n<li>1 mill\u00f3n de problemas = 1 mill\u00f3n de algoritmos.<\/li>\n<\/ul>\n<p>Isto non escala de forma eficiente. As\u00ed, nos anos 50 xurdiu unha idea revolucionaria: <strong>&quot;E se creamos un cerebro artificial capaz de aprender como un humano?&quot;<\/strong><\/p>\n<h3>Esquema: Evoluci\u00f3n da IA<\/h3>\n<pre><code class=\"language-mermaid\">timeline\n    title A evoluci\u00f3n da IA\n    1950 : Primeiros computadores: Tarefas repetitivas.\n    1980 : Machine Learning: Aprendizaxe autom\u00e1tica.\n    2010 : Deep Learning: Redes neuronais profundas.\n    2020 : IA multimodal e xerativa.\n    2025 : (Estimado) IA xeral intelixente.<\/code><\/pre>\n<hr \/>\n<h2><strong>Dos algoritmos aos sistemas intelixentes<\/strong><\/h2>\n<p>Os algoritmos cl\u00e1sicos precisan que humanos codifiquen soluci\u00f3ns detalladas. Isto \u00e9 similar a que algu\u00e9n explique en detalle como diferenciar unha vaca dun burro. En cambio, o ser humano aprende observando. Por exemplo:<\/p>\n<ul>\n<li>Se che ensinan unha vaca e un burro, a t\u00faa mente identifica diferenzas sen necesidade dunha definici\u00f3n t\u00e9cnica. Este proceso \u00e9 <strong>aprendizaxe supervisada<\/strong>, base do <em>Machine Learning<\/em>.<\/li>\n<\/ul>\n<h3>Esquema: Proceso de aprendizaxe supervisada<\/h3>\n<pre><code class=\"language-mermaid\">graph TD\n    A[Observaci\u00f3n de datos] --&gt; B[Identificaci\u00f3n de patr\u00f3ns]\n    B --&gt; C[Creaci\u00f3n dun modelo]\n    C --&gt; D[Predici\u00f3n de resultados con novos datos]<\/code><\/pre>\n<hr \/>\n<h2><strong>IA actual: Machine Learning e IA xeral<\/strong><\/h2>\n<ul>\n<li><strong>Machine Learning (ML):<\/strong> O sistema aprende de datos para predicir soluci\u00f3ns.<\/li>\n<li><strong>IA Xeral:<\/strong> Obxectivo final; un cerebro dixital capaz de resolver calquera problema sen instruci\u00f3ns detalladas.<\/li>\n<\/ul>\n<p>Hoxe estamos cada vez m\u00e1is preto da <strong>IA Xeral<\/strong> grazas aos <strong>modelos multimodais<\/strong> (como ChatGPT), que combinan texto, imaxes e m\u00e1is tipos de datos para resolver problemas complexos.<\/p>\n<hr \/>\n<h3><strong>Como aprenden os ordenadores? Introduci\u00f3n \u00e1 IA e o Machine Learning<\/strong><\/h3>\n<p>A Intelixencia Artificial (IA) permite que os ordenadores aprendan a resolver problemas a partir de datos. Para explicar como funciona, imos considerar un exemplo sinxelo: identificar vacas e burros nun espazo de d\u00faas dimensi\u00f3ns, onde a coordenada X pode ser o n\u00famero de patas e a coordenada Y, o tama\u00f1o.<\/p>\n<p><strong>1. O problema inicial: datos de adestramento<\/strong><br \/>\nPara adestrar un modelo, necesitamos fornecerlle datos. Por exemplo:<\/p>\n<ul>\n<li>Coordenada (X=2, Y=5): vaca<\/li>\n<li>Coordenada (X=6, Y=5): burro<\/li>\n<li>Coordenada (X=1, Y=6): vaca<\/li>\n<\/ul>\n<p>Unha vez adestrado, podemos preguntar ao modelo sobre novos datos, como (X=5, Y=6), e o modelo intentar\u00e1 predecir se corresponde a unha vaca ou un burro.<\/p>\n<p><strong>2. Aproximaci\u00f3ns iniciais: a IA algebraica<\/strong><br \/>\nAs primeiras t\u00e9cnicas de IA buscaban atopar unha funci\u00f3n matem\u00e1tica que separase os datos en diferentes grupos (neste caso, vacas e burros). Isto \u00e9 eficaz para describir os datos de adestramento (anal\u00edtica descritiva), pero pode non ser \u00fatil para predicir datos novos, xa que moitas funci\u00f3ns poden cumprir este prop\u00f3sito. Para mellorar a predici\u00f3n, necesitamos m\u00e1is datos, o que nos leva \u00e1 an\u00e1lise predictiva.<\/p>\n<hr \/>\n<h3><strong>O papel do Big Data e o desenvolvemento hist\u00f3rico<\/strong><\/h3>\n<p>A capacidade de predicir con precisi\u00f3n require gran cantidade de datos. Nos anos 50, os sistemas de almacenamento eran limitados (cintas magn\u00e9ticas, discos flexibles) e non exist\u00edan bases de datos avanzadas. Foi necesaria moita investigaci\u00f3n para desenvolver:<\/p>\n<ul>\n<li>Bases de datos relacionais e o SQL.<\/li>\n<li>Sistemas de almacenamento avanzados como Data Warehouses.<\/li>\n<\/ul>\n<p>En 2004, Google publicou o artigo &quot;MapReduce&quot;, presentando unha arquitectura para procesar grandes volumes de datos. Este enfoque permitiu xestionar e analizar datos a gran escala, sentando as bases do Big Data. Paralelamente, Facebook desenvolveu Cassandra, unha plataforma open source para manexar grandes cantidades de datos.<\/p>\n<hr \/>\n<h3><strong>A revoluci\u00f3n da computaci\u00f3n na nube<\/strong><\/h3>\n<p>Outro obst\u00e1culo clave era o c\u00f3mputo necesario para procesar estes datos. Ata os anos 2000, s\u00f3 exist\u00edan centros de supercomputaci\u00f3n. En 2010, Amazon lanzou o <strong>Cloud Computing<\/strong>, permitindo un acceso el\u00e1stico a recursos computacionais baixo demanda. Isto desbloqueou as posibilidades das redes neuronais profundas (<strong>Deep Learning<\/strong>) e os algoritmos baseados en Big Data.<\/p>\n<hr \/>\n<h3><strong>A evoluci\u00f3n dos algoritmos: redes neuronais<\/strong><\/h3>\n<p>Os enfoques iniciais de IA centrados en funci\u00f3ns algebraicas foron complementados por modelos inspirados no cerebro humano: as redes neuronais. Estas traballan con capas interconectadas de &quot;neuronas&quot; artificiais que procesan os datos en paralelo. Existen d\u00faas variantes principais:<\/p>\n<ul>\n<li><strong>Redes convolucionais (CNN):<\/strong> \u00datiles para reco\u00f1ecemento visual.<\/li>\n<li><strong>Redes recurrentes (RNN):<\/strong> Adecuadas para datos secuenciais, como texto ou audio.<\/li>\n<\/ul>\n<p>A investigaci\u00f3n intensiva nos \u00faltimos anos simplificou os algoritmos, reducindo os problemas a poucas t\u00e9cnicas clave que todos os investigadores utilizan hoxe en d\u00eda.<\/p>\n<hr \/>\n<h3><strong>A paridade humana e os retos actuais<\/strong><\/h3>\n<p>Un modelo de IA acada a <strong>paridade humana<\/strong> cando a s\u00faa taxa de erro \u00e9 inferior \u00e1 media humana nunha tarefa espec\u00edfica. Exemplos incl\u00faen:<\/p>\n<ul>\n<li>Reco\u00f1ecemento facial e de voz.<\/li>\n<li>Comprensi\u00f3n lectora e conversacional.<\/li>\n<\/ul>\n<p>Pero o progreso en IA non est\u00e1 exento de desaf\u00edos:<\/p>\n<ol>\n<li><strong>Custos computacionais:<\/strong> Entrenar un modelo avanzado como ChatGPT require meses de c\u00e1lculo e miles de mill\u00f3ns de d\u00f3lares.<\/li>\n<li><strong>Privacidade e adicci\u00f3ns:<\/strong> Empresas como TikTok reentrenan os seus algoritmos constantemente para maximizar a interacci\u00f3n dos usuarios, xerando preocupaci\u00f3ns \u00e9ticas e sociais.<\/li>\n<\/ol>\n<hr \/>\n<h3><strong>A evoluci\u00f3n da IA e o seu impacto no mundo actual<\/strong><\/h3>\n<p>Desde os anos 50 ata hoxe, a IA evolucionou grazas ao Big Data, ao Cloud Computing e \u00e1s redes neuronais. Esta combinaci\u00f3n tecnol\u00f3xica est\u00e1 a transformar a econom\u00eda e a sociedade, separando as empresas que adoptan modelos baseados en datos das que quedan obsoletas. O futuro da IA promete avances a\u00ednda m\u00e1is sorprendentes, pero tam\u00e9n require unha reflexi\u00f3n \u00e9tica sobre o seu impacto.<\/p>\n<p>A evoluci\u00f3n da intelixencia artificial (IA) transformou como interactuamos co mundo tecnol\u00f3xico. Desde aplicaci\u00f3ns sinxelas ata sistemas complexos que superan a capacidade humana, a IA est\u00e1 intrinsecamente ligada \u00e1s nosas actividades diarias, sexa para crear contidos, conducir veh\u00edculos ou desenvolver experiencias visuais impresionantes.<\/p>\n<p>Un exemplo curioso \u00e9 como actividades aparentemente triviais, como o &quot;Mannequin Challenge&quot; ou o &quot;10 Year Challenge&quot;, deron lugar a avances significativos. Estas modas permitiron aos investigadores recompilar datos masivos que facilitaron o desenvolvemento de algoritmos de visi\u00f3n artificial, reco\u00f1ecemento facial ou t\u00e9cnicas de &quot;anti-aging&quot;. Esta capacidade de mellorar coa informaci\u00f3n proporcionada polos usuarios exemplifica como as tecnolox\u00edas de IA alcanzan e incluso superan a paridade humana nalg\u00fans aspectos, pero sempre cun grao de confianza, non con perfecci\u00f3n absoluta.<\/p>\n<hr \/>\n<h3><strong>Paridade humana e alucinaci\u00f3ns na IA<\/strong><\/h3>\n<p>Cando falamos de &quot;paridade humana&quot;, refer\u00edmonos a sistemas de IA que igualan o rendemento humano en tarefas espec\u00edficas. Por exemplo, en 2016, investigadores de Microsoft lograron a paridade humana no reco\u00f1ecemento facial grazas a un &quot;cognitive service&quot; que analizaba miles de fotograf\u00edas de celebridades. O sistema non \u00e9 infalible; expresa as s\u00faas conclusi\u00f3ns cun &quot;grao de confianza&quot;, que indica a probabilidade de que a resposta sexa correcta. Este concepto lembra as &quot;alucinaci\u00f3ns&quot; da IA: momentos nos que os algoritmos &quot;ven&quot; ou &quot;comprenden&quot; algo incorrectamente. \u00c9 comparable aos erros perceptivos dos seres humanos, como confundir un oasis ou non notar un coche no espello retrovisor.<\/p>\n<p>As alucinaci\u00f3ns non son s\u00f3 curiosidades; destacan a importancia de supervisar as decisi\u00f3ns tomadas por m\u00e1quinas, especialmente en contextos cr\u00edticos como sistemas armament\u00edsticos ou conduci\u00f3n aut\u00f3noma. Por iso, moitas ferramentas de IA modernas son descritas como &quot;copilotos&quot;, ferramentas de apoio que axudan aos humanos pero non substit\u00faen o seu criterio.<\/p>\n<hr \/>\n<h3><strong>A revoluci\u00f3n de Deep Learning e as Redes Neuronais<\/strong><\/h3>\n<p>O avance de sistemas baseados en redes neuronais, como &quot;Deep Blue&quot; de IBM, marcou un fito na historia da IA. Deep Blue, dese\u00f1ado para xogar ao xadrez, competiu contra lendas como Kasparov e Karpov nos anos 90, demostrando o potencial das m\u00e1quinas para igualar aos mellores estrategas humanos en xogos de regras fixas. M\u00e1is tarde, co desenvolvemento de algoritmos m\u00e1is sofisticados como AlphaGo ou AlphaZero, as m\u00e1quinas superaron aos humanos en xogos complexos como o Go, o p\u00f3ker e mesmo videoxogos. Estes logros evidencian como a IA pode procesar cantidades incribles de datos e optimizar decisi\u00f3ns a unha velocidade e precisi\u00f3n imposibles para calquera persoa.<\/p>\n<hr \/>\n<h3><strong>Os algoritmos GAN e a Creatividade Artificial<\/strong><\/h3>\n<p>As t\u00e9cnicas m\u00e1is recentes, como os <em>Generative Adversarial Networks<\/em> (GAN), levaron a IA a un nivel sen precedentes en canto a creaci\u00f3n e manipulaci\u00f3n de contidos. Estas redes funcionan mediante a interacci\u00f3n entre dous compo\u00f1entes principais:<\/p>\n<ol>\n<li><strong>Discriminador:<\/strong> Encargado de avaliar a calidade dun contido, como unha imaxe ou movemento.<\/li>\n<li><strong>Xerador:<\/strong> Dese\u00f1ado para crear contidos que enganen ao discriminador.<\/li>\n<\/ol>\n<p>A trav\u00e9s de ciclos de mellora continua, o xerador pode perfeccionar os seus resultados ata superar as expectativas do discriminador. Isto levou \u00e1 creaci\u00f3n de contidos hiperrealistas, desde imaxes fotogr\u00e1ficas ata v\u00eddeos falsos que poden ser utilizados tanto para fins creativos como malintencionados (<em>deepfakes<\/em>).<\/p>\n<hr \/>\n<h3><strong>A era dos algoritmos de difusi\u00f3n<\/strong><\/h3>\n<p>Un avance significativo chegou en 2016 cos algoritmos de difusi\u00f3n, que mesturan a capacidade de descompo\u00f1er datos visuais en pequenas pezas (como un crebacabezas) co uso de descrici\u00f3ns textuais. Isto permite que as m\u00e1quinas reconstr\u00faan imaxes ou xeren contidos novos con precisi\u00f3n e creatividade. Estes modelos non s\u00f3 melloran coa pr\u00e1ctica, sen\u00f3n que se retroalimentan constantemente, facendo que cada interacci\u00f3n aumente a s\u00faa eficiencia e intelixencia.<\/p>\n<p>Hoxe, as ferramentas de IA, como as xeradoras de imaxes e texto, est\u00e1n en continuo progreso. Cada d\u00eda que pasa representan a peor versi\u00f3n da s\u00faa capacidade futura, xa que o seu dese\u00f1o lles permite aprender e mellorar sen parar.<\/p>\n<hr \/>\n<h3><strong>Modelos de difusi\u00f3n e creaci\u00f3n mediante IA<\/strong><\/h3>\n<h4>Introduci\u00f3n aos modelos de difusi\u00f3n<\/h4>\n<p>Os <strong>modelos de difusi\u00f3n<\/strong> son algoritmos de Intelixencia Artificial que aprenden patr\u00f3ns complexos a partir dun conxunto de datos inicial e os utilizan para xerar novos contidos. Por exemplo, partindo dunha base de datos de imaxes ou outros tipos de informaci\u00f3n, son capaces de xerar novos contidos realistas. Estes modelos, que avanzaron rapidamente nos \u00faltimos anos, te\u00f1en aplicaci\u00f3ns en m\u00faltiples campos, pero tam\u00e9n presentan riscos \u00e9ticos e de seguridade que deben ser considerados. A s\u00faa popularidade e evoluci\u00f3n nos \u00faltimos anos ve\u00f1en revolucionando m\u00faltiples sectores, desde a arte e o entretemento ata a ciberseguridade e a educaci\u00f3n. <\/p>\n<p><strong>Principais caracter\u00edsticas:<\/strong><\/p>\n<ul>\n<li>\n<p>Traballan mediante a an\u00e1lise de patr\u00f3ns e estruturas.<\/p>\n<\/li>\n<li>\n<p>Requiren un n\u00famero reducido de datos para xerar resultados de alta calidade.<\/p>\n<\/li>\n<li>\n<p>Son capaces de imitar estilos visuais ou outras caracter\u00edsticas base\u00e1ndose en exemplos concretos.<\/p>\n<\/li>\n<li>\n<p>Alta capacidade de xeneralizaci\u00f3n a partir dun n\u00famero reducido de exemplos.<\/p>\n<\/li>\n<li>\n<p>Flexibilidade para xerar contidos en diferentes formatos: imaxes, texto, audio ou v\u00eddeo.<\/p>\n<\/li>\n<li>\n<p>Resultados cada vez m\u00e1is realistas grazas aos avances no procesamento de datos.<\/p>\n<\/li>\n<\/ul>\n<p>Por exemplo, con s\u00f3 <strong>20 fotograf\u00edas<\/strong>, \u00e9 posible adestrar un modelo para xerar imaxes de diferentes estilos mantendo unha calidade sorprendente. Estas tecnolox\u00edas avanzaron rapidamente: en 2022, a calidade xerada era aceptable, pero en 2023 superou amplamente as expectativas. Para 2024, esp\u00e9rase un gran salto coa chegada de tecnolox\u00edas como <strong>MetaHuman<\/strong>.<\/p>\n<ul>\n<li><a href=\"https:\/\/www.unrealengine.com\/metahuman\">MetaHuman Creator<\/a> \u2013 Ferramenta de Epic Games para crear humanos dixitais realistas.<\/li>\n<li><a href=\"https:\/\/huggingface.co\/docs\/diffusers\/index\">Gu\u00eda para iniciarse en modelos de difusi\u00f3n<\/a> \u2013 Documentaci\u00f3n de referencia sobre o uso de modelos de difusi\u00f3n.<\/li>\n<\/ul>\n<h3>Aplicaci\u00f3ns destacadas dos modelos de difusi\u00f3n<\/h3>\n<p>Os modelos de difusi\u00f3n \u00fasanse en campos tan diversos como:<\/p>\n<ol>\n<li><strong>Xeraci\u00f3n de Contidos Visuais:<\/strong> Creaci\u00f3n de imaxes e avatares realistas baseados en estilos espec\u00edficos.<\/li>\n<li><strong>Audio e Voz Sint\u00e9tica:<\/strong> R\u00e9plica de voces humanas a partir de gravaci\u00f3ns curtas.<\/li>\n<li><strong>Forense Dixital:<\/strong> Reconstruci\u00f3n de imaxes borradas ou incompletas.<\/li>\n<li><strong>Humanizaci\u00f3n Dixital:<\/strong> Creaci\u00f3n de humanos virtuais para videoxogos, cine e aplicaci\u00f3ns interactivas.<\/li>\n<\/ol>\n<p>Algunhas destas aplicaci\u00f3n xa se materializan na xeraci\u00f3n de:<\/p>\n<ol>\n<li><strong>M\u00fasica<\/strong>: Algoritmos como <a href=\"https:\/\/openai.com\/research\/musenet\">MuseNet<\/a> crean composici\u00f3ns musicais base\u00e1ndose en poucos exemplos.<\/li>\n<li><strong>V\u00eddeo<\/strong>: Plataformas como Clean Eye permiten xerar v\u00eddeos animados a partir de descrici\u00f3ns textuais.<\/li>\n<li><strong>Superheroes e supervil\u00e1ns<\/strong>: En s\u00f3 10 minutos, \u00e9 posible crear personaxes animados con m\u00fasica e animaci\u00f3n.<\/li>\n<\/ol>\n<pre><code class=\"language-mermaid\">graph TD\nA[Modelos de Difusi\u00f3n] --&gt; B[M\u00fasica]\nA --&gt; C[V\u00eddeo]\nA --&gt; D[Personaxes Animados]\nA --&gt; E[Expansi\u00f3n de Fotos]<\/code><\/pre>\n<h4><strong>Creaci\u00f3n de Fotograf\u00edas e Avatares Realistas<\/strong><\/h4>\n<p>Cunha pequena mostra de imaxes persoais, os modelos de difusi\u00f3n poden xerar fotograf\u00edas completamente novas nunha ampla variedade de estilos.<\/p>\n<p>As\u00ed, con s\u00f3 unhas 20 fotos, un modelo de difusi\u00f3n pode adestrarse para xerar novas imaxes cun nivel sorprendente de detalle. Este proceso \u00e9 usado tanto para fins creativos como comerciais, pero tam\u00e9n presenta riscos significativos.<\/p>\n<ul>\n<li>Beneficios:\n<ul>\n<li>Uso creativo: Dese\u00f1o art\u00edstico, personalizaci\u00f3n en marketing dixital.<\/li>\n<li>Creaci\u00f3n de contido multimedia.<\/li>\n<li>Creaci\u00f3n de personaxes animados para cine ou videoxogos.<\/li>\n<\/ul>\n<\/li>\n<li>Riscos:\n<ul>\n<li>Manipulaci\u00f3n fraudulenta de fotos.<\/li>\n<li>Creaci\u00f3n de deepfakes con fins malintencionados.<\/li>\n<li>Creaci\u00f3n de contidos difamatorios e fake news.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p><strong>Esquema en Mermaid:<\/strong><\/p>\n<pre><code class=\"language-mermaid\">flowchart TD\nA[Subida de 20 fotos] --&gt; B[Adestramento do Modelo de Difusi\u00f3n]\nB --&gt; C[Pedir estilos diferentes]\nC --&gt; D[Obtenci\u00f3n de resultados de alta calidade]<\/code><\/pre>\n<h4><strong>Audio e Voz Sint\u00e9tica<\/strong><\/h4>\n<p>Empresas como ElevenLabs est\u00e1n empregando modelos de difusi\u00f3n para xerar voces sint\u00e9ticas realistas. Estes algoritmos permiten replicar unha voz humana con gran precisi\u00f3n e sendo usados en:<\/p>\n<ul>\n<li><strong>Uso Lex\u00edtimo:<\/strong>\n<ul>\n<li>Creaci\u00f3n de contidos: Locuci\u00f3ns para audiolibros, asistentes virtuais, etc.<\/li>\n<\/ul>\n<\/li>\n<li><strong>Uso Fraudulento e cibercrime:<\/strong>\n<ul>\n<li>Suplantaci\u00f3n de identidades, estafas de voz, clonaci\u00f3n de identidades en chamadas ou sistemas bancarios. Por exemplo, empresas xa perderon mill\u00f3ns de euros debido a chamadas fraudulentas de &quot;directivos clonados&quot;.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p><strong>Proceso de Clonaci\u00f3n de Voz:<\/strong><\/p>\n<pre><code class=\"language-mermaid\">flowchart LR\nX[Gravaci\u00f3n de audio] --&gt; Y[Procesamento do espectrograma]\nY --&gt; Z[Adestramento do modelo]\nZ --&gt; W[Voz sintetizada similar \u00e1 orixinal]<\/code><\/pre>\n<h5><strong>Exemplo real de fraude por voz clonada:<\/strong><\/h5>\n<p>En 2023, clonadores de voz como <a href=\"https:\/\/beta.elevenlabs.io\/\">Eleven Labs<\/a> fixeron posible replicar voces humanas con s\u00f3 un arquivo de audio. Isto ten implicaci\u00f3ns tanto para estafas como para cibercrimes. Exemplos reais incl\u00faen:<\/p>\n<ul>\n<li><strong>Enganos familiares<\/strong>: Chamadas \u00e1s v\u00edtimas suplantando a voz dun ser querido pedindo axuda econ\u00f3mica.<\/li>\n<li><strong>Fraudes corporativas<\/strong>: Suplantaci\u00f3n de directivos para autorizar transferencias millonarias, como o caso dunha empresa onde roubaron <strong>35 mill\u00f3ns de d\u00f3lares<\/strong> mediante unha chamada de voz clonada.<\/li>\n<\/ul>\n<p>Un caso co\u00f1ecido implicou o roubo de <strong>35 mill\u00f3ns de d\u00f3lares<\/strong>, onde unha empresa foi enganada mediante unha chamada fraudulenta que imitaba a voz dun directivo autorizando unha transferencia.<\/p>\n<p><strong>Diagrama de Fraude por Voz Clonada:<\/strong><\/p>\n<pre><code class=\"language-mermaid\">sequenceDiagram\nparticipant Hacker\nparticipant V\u00edtima\nparticipant Banco\nHacker-&gt;&gt;V\u00edtima: Suplantaci\u00f3n da voz dun directivo\nV\u00edtima-&gt;&gt;Banco: Solicita transferencia de fondos\nBanco-&gt;&gt;Hacker: Realiza a transferencia\nHacker-&gt;&gt;+Conta estranxeira: Roubo completado<\/code><\/pre>\n<hr \/>\n<h4><strong>Auditor\u00eda forense e reconstruci\u00f3n de imaxes<\/strong><\/h4>\n<p><strong>As t\u00e9cnicas de ampliaci\u00f3n de fotos (photo expansion)<\/strong> est\u00e1n sendo empregadas para reconstru\u00edr partes en falta de imaxes ou incluso desfacer borrados e censuras aplicadas en fotos.<\/p>\n<ul>\n<li><strong>Uso positivo:<\/strong> Recuperaci\u00f3n de arquivos danados ou probas perdidas.<\/li>\n<li><strong>Uso negativo:<\/strong> Reversi\u00f3n de censuras sensibles ou exposici\u00f3n de datos persoais.<\/li>\n<\/ul>\n<p><strong>Exemplo de Proceso de Ampliaci\u00f3n de Fotos:<\/strong><\/p>\n<pre><code class=\"language-mermaid\">graph TB\nInput[Imaxe orixinal] --&gt; Processing[Modelo IA reconstr\u00fae zonas faltantes]\nProcessing --&gt; Output[Imaxe ampliada e reconstru\u00edda]<\/code><\/pre>\n<h4><strong>Uso en humanizaci\u00f3n dixital<\/strong><\/h4>\n<p>Coa introduci\u00f3n de <strong>Metahuman<\/strong> e tecnolox\u00edas similares, \u00e9 posible crear humanos dixitais hiperrealistas:<\/p>\n<ul>\n<li>En 30 segundos, un tel\u00e9fono m\u00f3bil pode escanear unha persoa.<\/li>\n<li>Os resultados \u00fasanse en videoxogos, cine, e-commerce ou incluso cibercrime.<\/li>\n<\/ul>\n<p><strong>Evoluci\u00f3n dos humanos dixitais:<\/strong><\/p>\n<pre><code class=\"language-mermaid\">timeline\ntitle Evoluci\u00f3n dos humanos dixitais\n2022: Persoas sint\u00e9ticas con patr\u00f3ns b\u00e1sicos.\n2023: Avances en microexpresi\u00f3ns faciais e movementos realistas.\n2024: Integraci\u00f3n completa en interacci\u00f3ns virtuais.<\/code><\/pre>\n<hr \/>\n<h3><strong>Impactos \u00e9ticos e riscos dos modelos de IA<\/strong><\/h3>\n<p>A intelixencia artificial ten un lado escuro que pode ser usado para fins malintencionados. Alg\u00fans exemplos preocupantes incl\u00faen:<\/p>\n<ul>\n<li><strong>Manipulaci\u00f3n de fotos<\/strong>: T\u00e9cnicas como &quot;photo expansion&quot; poden crear imaxes falsas de persoas, o que pode ser empregado para difamaci\u00f3n ou fraudes.<\/li>\n<li><strong>DeepNudes<\/strong>: A xeraci\u00f3n de imaxes non consensuais, como desnudos falsos, \u00e9 un delito e est\u00e1 perseguida pola lei.<\/li>\n<li><strong>Reconstruci\u00f3n de datos borrados<\/strong>: A IA \u00e9 capaz de recrear datos ocultos en imaxes, como contrasinais ou matr\u00edculas difuminadas.<\/li>\n<\/ul>\n<p><strong>Exemplo pr\u00e1ctico<\/strong>: Se unha foto \u00e9 enviada por WhatsApp co modo de &quot;ver unha vez&quot;, a miniatura xerada pode ser suficiente para que un modelo de IA recree o contido completo da imaxe.<\/p>\n<h4>Riscos \u00e9ticos da IA<\/h4>\n<pre><code class=\"language-mermaid\">graph TD\nA[Impactos da IA] --&gt; B[Manipulaci\u00f3n de Fotos]\nA --&gt; C[DeepNudes]\nA --&gt; D[Reconstruci\u00f3n de Datos Borrados]\nA --&gt; E[Fraudes por Voz Clonada]<\/code><\/pre>\n<hr \/>\n<hr \/>\n<h4>Impacto en ciberseguridade<\/h4>\n<p>Os modelos de difusi\u00f3n est\u00e1n tendo unha influencia cr\u00edtica no mundo da ciberseguridade, tanto a nivel ofensivo como defensivo.<br \/>\n<strong>Principais problemas:<\/strong><\/p>\n<ul>\n<li><strong>Estafas e fraudes:<\/strong>\n<ul>\n<li>Uso de voz e imaxes clonadas para acceder a sistemas bancarios ou enganar persoas.<\/li>\n<li>Suplantaci\u00f3n de identidade mediante deepfakes en videoconferencias ou chamadas telef\u00f3nicas.<\/li>\n<li>Uso de imaxes ou documentos manipulados para acceder a sistemas bancarios<\/li>\n<\/ul>\n<\/li>\n<li><strong>Ataques empresariais:<\/strong> Videoconferencias manipuladas en tempo real con Deepfakes para infiltrarse en organizaci\u00f3ns.<\/li>\n<li><strong>Manipulaci\u00f3n de datos e contidos:<\/strong>\n<ul>\n<li>Creaci\u00f3n de probas ou manipulaci\u00f3n de documentos visuais.<\/li>\n<li>Creaci\u00f3n de probas falsas para casos legais.<\/li>\n<li>Falsificaci\u00f3n de identidade en redes sociais.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p><strong>Esquema de Riscos \u00c9ticos e de Ciberseguridade:<\/strong><\/p>\n<pre><code class=\"language-mermaid\">graph TD\nA[Modelos de Difusi\u00f3n] --&gt; B[Deepfakes]\nA --&gt; C[Suplantaci\u00f3n de Voz]\nA --&gt; D[Manipulaci\u00f3n de Probas]\nA --&gt; E[Reconstruci\u00f3n de Datos Sensibles]<\/code><\/pre>\n<h3><strong>Contramedidas e Soluci\u00f3ns Propostas<\/strong><\/h3>\n<p>Para combater os riscos asociados aos modelos de difusi\u00f3n, \u00e9 esencial adoptar un enfoque multidimensional:<\/p>\n<ol>\n<li>Ferramentas de Detecci\u00f3n:\n<ul>\n<li>Desenvolver algoritmos de detecci\u00f3n de deepfakes e tecnolox\u00edas que detecten contidos xerados por IA (textos xerados ou imaxes manipuladas).<\/li>\n<li>Uso de software como <a href=\"https:\/\/deepware.ai\/\">Deepware Scanner<\/a>, ou <a href=\"https:\/\/verifai.tu.com\/\">verifai.tu.com<\/a> para analizar contidos sospeitosos.<\/li>\n<\/ul>\n<\/li>\n<li>Educaci\u00f3n e Formaci\u00f3n:\n<ul>\n<li>Sensibilizar a sociedade sobre os perigos das tecnolox\u00edas avanzadas.<\/li>\n<li>Formar aos profesionais en seguridade para identificar fraudes relacionados coa IA.<\/li>\n<\/ul>\n<\/li>\n<li>Regulaci\u00f3n \u00c9tica:\n<ul>\n<li>Establecer leis e est\u00e1ndares para o uso responsable das tecnolox\u00edas de IA.<\/li>\n<li>Colaboraci\u00f3n entre empresas e gobernos para controlar abusos.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<h3>Conclusi\u00f3n<\/h3>\n<p>Os modelos de difusi\u00f3n representan unha revoluci\u00f3n tecnol\u00f3xica con grandes beneficios potenciais, pero tam\u00e9n expo\u00f1en \u00e1 sociedade a novos desaf\u00edos. O avance dos modelos de difusi\u00f3n implica tanto beneficios como perigos. Mentres que est\u00e1n democratizando a creaci\u00f3n de contidos e potenciando sectores creativos, tam\u00e9n supo\u00f1en un desaf\u00edo na loita contra o cibercrime e a manipulaci\u00f3n dixital. Para afrontar estes retos, a comunidade debe investir en educaci\u00f3n, tecnolox\u00edas de detecci\u00f3n e regulaci\u00f3n \u00e9tica. O equilibrio entre innovaci\u00f3n e seguridade ser\u00e1 fundamental para aproveitar estas tecnolox\u00edas de forma \u00e9tica e efectiva. A educaci\u00f3n, a investigaci\u00f3n e a regulaci\u00f3n desempe\u00f1ar\u00e1n un papel clave neste proceso. <\/p>\n<hr \/>\n<h3><strong>Para saber m\u00e1is<\/strong><\/h3>\n<ol>\n<li><a href=\"https:\/\/www.youtube.com\/watch?v=HHqlEnoGk54&amp;list=PLJjOveEiVE4Cbbx1dVjydfmPPpjl0pg86\">Introduci\u00f3n ao Machine Learning<\/a><\/li>\n<li><a href=\"https:\/\/www.deeplearningbook.org\/\">Deep Learning explicado<\/a><\/li>\n<li><a href=\"https:\/\/historyof.ai\/\">Historia da IA en imaxes<\/a><\/li>\n<\/ol>\n<p><strong>Para practicar:<\/strong><\/p>\n<ul>\n<li><a href=\"https:\/\/scikit-learn.org\/\">https:\/\/scikit-learn.org\/<\/a><\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"<p>A intelixencia artificial \u00e9 unha ferramenta poderosa que redefine a creatividade, a produtividade e a interacci\u00f3n humana coa tecnolox\u00eda.<\/p>\n","protected":false},"author":1,"featured_media":1453,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"_uf_show_specific_survey":0,"_uf_disable_surveys":false,"ocean_post_layout":"","ocean_both_sidebars_style":"","ocean_both_sidebars_content_width":0,"ocean_both_sidebars_sidebars_width":0,"ocean_sidebar":"0","ocean_second_sidebar":"0","ocean_disable_margins":"enable","ocean_add_body_class":"","ocean_shortcode_before_top_bar":"","ocean_shortcode_after_top_bar":"","ocean_shortcode_before_header":"","ocean_shortcode_after_header":"","ocean_has_shortcode":"","ocean_shortcode_after_title":"","ocean_shortcode_before_footer_widgets":"","ocean_shortcode_after_footer_widgets":"","ocean_shortcode_before_footer_bottom":"","ocean_shortcode_after_footer_bottom":"","ocean_display_top_bar":"default","ocean_display_header":"default","ocean_header_style":"","ocean_center_header_left_menu":"0","ocean_custom_header_template":"0","ocean_custom_logo":0,"ocean_custom_retina_logo":0,"ocean_custom_logo_max_width":0,"ocean_custom_logo_tablet_max_width":0,"ocean_custom_logo_mobile_max_width":0,"ocean_custom_logo_max_height":0,"ocean_custom_logo_tablet_max_height":0,"ocean_custom_logo_mobile_max_height":0,"ocean_header_custom_menu":"0","ocean_menu_typo_font_family":"0","ocean_menu_typo_font_subset":"","ocean_menu_typo_font_size":0,"ocean_menu_typo_font_size_tablet":0,"ocean_menu_typo_font_size_mobile":0,"ocean_menu_typo_font_size_unit":"px","ocean_menu_typo_font_weight":"","ocean_menu_typo_font_weight_tablet":"","ocean_menu_typo_font_weight_mobile":"","ocean_menu_typo_transform":"","ocean_menu_typo_transform_tablet":"","ocean_menu_typo_transform_mobile":"","ocean_menu_typo_line_height":0,"ocean_menu_typo_line_height_tablet":0,"ocean_menu_typo_line_height_mobile":0,"ocean_menu_typo_line_height_unit":"","ocean_menu_typo_spacing":0,"ocean_menu_typo_spacing_tablet":0,"ocean_menu_typo_spacing_mobile":0,"ocean_menu_typo_spacing_unit":"","ocean_menu_link_color":"","ocean_menu_link_color_hover":"","ocean_menu_link_color_active":"","ocean_menu_link_background":"","ocean_menu_link_hover_background":"","ocean_menu_link_active_background":"","ocean_menu_social_links_bg":"","ocean_menu_social_hover_links_bg":"","ocean_menu_social_links_color":"","ocean_menu_social_hover_links_color":"","ocean_disable_title":"default","ocean_disable_heading":"default","ocean_post_title":"","ocean_post_subheading":"","ocean_post_title_style":"","ocean_post_title_background_color":"","ocean_post_title_background":0,"ocean_post_title_bg_image_position":"","ocean_post_title_bg_image_attachment":"","ocean_post_title_bg_image_repeat":"","ocean_post_title_bg_image_size":"","ocean_post_title_height":0,"ocean_post_title_bg_overlay":0.5,"ocean_post_title_bg_overlay_color":"","ocean_disable_breadcrumbs":"default","ocean_breadcrumbs_color":"","ocean_breadcrumbs_separator_color":"","ocean_breadcrumbs_links_color":"","ocean_breadcrumbs_links_hover_color":"","ocean_display_footer_widgets":"default","ocean_display_footer_bottom":"default","ocean_custom_footer_template":"0","omw_enable_modal_window":"enable","ocean_post_oembed":"","ocean_post_self_hosted_media":"","ocean_post_video_embed":"","ocean_link_format":"","ocean_link_format_target":"self","ocean_quote_format":"","ocean_quote_format_link":"post","ocean_gallery_link_images":"on","ocean_gallery_id":[],"footnotes":""},"categories":[1,84],"tags":[85],"class_list":["post-1594","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blog","category-ia","tag-intelixencia-artificial","entry","has-media"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/bitsolto.com\/bitacora\/wp-json\/wp\/v2\/posts\/1594","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/bitsolto.com\/bitacora\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/bitsolto.com\/bitacora\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/bitsolto.com\/bitacora\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/bitsolto.com\/bitacora\/wp-json\/wp\/v2\/comments?post=1594"}],"version-history":[{"count":1,"href":"https:\/\/bitsolto.com\/bitacora\/wp-json\/wp\/v2\/posts\/1594\/revisions"}],"predecessor-version":[{"id":1595,"href":"https:\/\/bitsolto.com\/bitacora\/wp-json\/wp\/v2\/posts\/1594\/revisions\/1595"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/bitsolto.com\/bitacora\/wp-json\/wp\/v2\/media\/1453"}],"wp:attachment":[{"href":"https:\/\/bitsolto.com\/bitacora\/wp-json\/wp\/v2\/media?parent=1594"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/bitsolto.com\/bitacora\/wp-json\/wp\/v2\/categories?post=1594"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/bitsolto.com\/bitacora\/wp-json\/wp\/v2\/tags?post=1594"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}