Inteligencias Artificiales
Generativas (GenAI) y
su impacto en el
entorno laboral:
"La gran oportunidad que ofrece la IA
es que veremos un aumento de la
productividad como nunca habíamos
visto en la historia de la humanidad".
—Kartik Hosanagar
Por: Jorge Mario Calvo Londoño
Plan de la charla
• Definiciones
• ¿Qué es la AI?
• ¿Qué es la Gen AI?
• Las Gen AI y su impacto en el trabajo
• ¿Cómo funcionan las Gen AI
• Demo de ChatGPT
• Prompt Engineering
• Beneficios de las Gen AI
• Conclusiones
• Discusión
Objetivo de la charla-
taller
• Proporcionar una comprensión integral
de la inteligencia artificial, enfatizando
las inteligencias artificiales generativas
(GenAI) y entender su impacto
transformador en los lugares de trabajo
modernos y en las tareas que realizamos
día a día, abordando sus ventajas,
desafíos y el camino a seguir.
¿Qué es la Inteligencia
Artificial (AI)?
• Es una rama de las ciencias de la computación
dedicada a crear sistemas, aplicaciones o software
capaces de realizar tareas que requieren inteligencia
humana.
• Conducir un vehículo, Resumir un texto, Crear
esta presentación
• Estas tareas incluyen resolución de problemas,
reconocimiento de patrones, planificación,
aprendizaje y toma de decisiones.
• Generación de contenido. GenAI.
• Esta es una de las tareas y tiene mucha relación
con la capacidad creativa
• Se estima que el 90% de las tareas actuales de trabajo
se pueden automatizar
Desde cuando
hablamos de la AI
• Computing Machinery and
Intelligence" is a seminal paper
written by Alan Turing on the topic
of artificial intelligence.
• The paper, published in 1950 in
Mind, was the first to introduce his
concept of what is now known as
the Turing test to the general
public.
• Dartmouth Summer Research
Project on Artificial Intelligence).
1956 en la universidad Dartmouth
College. John McCarthy
Representaciones del Conocimiento en un
computador para implementar las tareas inteligentes
Memoria (Data almacenada)
Inteligencia Artificial Estadística Identificar Patrones en los datos
Simbólica Descriptiva Inferencial Machine Learning
Estructuras Medio Rango
Pruebas de
hipótesis
Análisis de
correlación
Clásico Redes Neuronales
Reglas Sintácticas
Gramáticas libres
Estructuradas o
de contexto Sujeto-Predicado-
de Decisión Regresión
Objeto Lineal
Arboles Deep Learning
Transformers
Lenguajes de Motores de Grafos de
DSL If …. Then .... Ontologías
Programación reglas conocimiento
LLMs Gen AI
Aplicaciones
Tipos principales de AI según su
capacidad y complejidad
• Inteligencia Artificial Débil (IA Débil): También conocida como inteligencia artificial
estrecha, se refiere a sistemas diseñados para realizar una tarea específica sin poseer
conciencia o inteligencia propia. Estos sistemas operan bajo un conjunto predefinido de
reglas y no tienen la capacidad de actuar fuera de su área de programación.
• Inteligencia Artificial General (IA General): Este tipo de inteligencia artificial es aún
teórico y se refiere a un sistema que posee la capacidad de comprender, aprender y
aplicar su inteligencia en una variedad de contextos, de manera similar a la inteligencia
humana. Una IA general tendría la capacidad de razonar, resolver problemas, tomar
decisiones y aprender de experiencias pasadas. Este tipo de IA sería capaz de realizar
cualquier tarea intelectual que un humano pueda hacer.
• Inteligencia Artificial Superinteligente (IA Superinteligente): Se trata de un nivel
hipotético de inteligencia artificial en el que las máquinas superarían significativamente
la inteligencia y las capacidades cognitivas de los seres humanos en todos los aspectos,
incluyendo la creatividad, la toma de decisiones y el aprendizaje emocional.
Representaciones del Conocimiento en un
computador para implementar las tareas
Memoria (Data almacenada)
Inteligencia Artificial Estadística Identificar Patrones en los datos
Simbólica Descriptiva Inferencial Machine Learning
Estructuras Medio Rango
Pruebas de
hipótesis
Análisis de
correlación
Clásico Redes Neuronales
Reglas Sintácticas
Gramáticas libres
Estructuradas o
de contexto Sujeto-Predicado-
de Decisión Regresión
Objeto Lineal
Arboles Deep Learning
Transformers
Lenguajes de Motores de Grafos de
DSL If …. Then .... Ontologías
Programación reglas conocimiento
LLMs Gen AI
Gramáticas libres de contexto
Las gramáticas libres de contexto permiten describir la mayoría de los lenguajes
de programación, de hecho, la sintaxis de la mayoría de los lenguajes de
programación está definida mediante gramáticas libres de contexto.
Por otro lado, estas gramáticas son suficientemente simples como para permitir
el diseño de eficientes algoritmos de análisis sintáctico que, para una cadena de
caracteres dada, determinen cómo puede ser generada desde la gramática.
Tomado de la Wikipedia: https://es.wikipedia.org/wiki/Gram%C3%A1tica_libre_de_contexto
Reglas de
Decisión
• Una regla de decisión es una declaración que
proporciona una acción o resultado específico
basado en ciertas condiciones.
• En el contexto de la IA, estas reglas se utilizan
a menudo para inferir conclusiones a partir de
datos, hacer predicciones o controlar el
comportamiento de un sistema inteligente.
• Las reglas de decisión pueden derivarse de
diversas fuentes, incluido el conocimiento
experto, el análisis de datos o los algoritmos
de aprendizaje.
Regla de Decisión Explicación
Esta regla se utiliza en sistemas médicos para
Si temperatura > 37.5 °C, entonces posible fiebre. identificar la posibilidad de fiebre basándose en la
temperatura corporal.
En sistemas de detección de fraude, esta regla
Si transacción > $5000 y país origen = "Nigeria", ayuda a identificar transacciones sospechosas que
entonces revisar transacción. requieren revisión adicional.
Esta regla se utiliza en sistemas de registro electoral
Si edad < 18, entonces no elegible para votar. para determinar la elegibilidad para votar basada en
la edad.
En sistemas de aprobación de préstamos, esta regla
Si crédito >= 700 y deuda/ingreso < 30%, entonces determina la elegibilidad para un préstamo basada
aprobar préstamo. en la puntuación de crédito y la relación
deuda/ingreso.
En sistemas de gestión de inventario, esta regla se
Si producto = "Electrónico" y defectuoso = "Sí",
utiliza para iniciar el proceso de devolución para
entonces iniciar proceso de devolución.
productos electrónicos defectuosos.
Grafos de conocimiento
• Los grafos de conocimiento son una forma de representar y almacenar información
interconectada en un formato estructurado.
• Son esencialmente un tipo de base de datos basada en grafos que se compone de
entidades (también conocidas como nodos) y las relaciones entre ellas (bordes).
• Sujeto(nodo)-Predicado(relación)-Objeto(nodo). Desde una perspectiva lingüística
• En un grafo de conocimiento, las entidades pueden representar cualquier cosa, desde
personas, lugares y eventos hasta conceptos y categorías.
• Las relaciones entre estas entidades están etiquetadas para describir la naturaleza de
la relación, como "es un", "ubicado en" o "trabaja para".
• Esta estructura permite la representación de relaciones e interdependencias
complejas de una manera que sea legible por humanos y procesable por máquinas..
Aplicaciones de los grafos de
conocimiento
• Búsqueda semántica: los grafos de conocimiento pueden mejorar los motores de búsqueda al
comprender el contexto y las relaciones entre los términos, proporcionando resultados de búsqueda
más precisos y relevantes.
• Sistemas de recomendación: al comprender las relaciones entre productos, usuarios y preferencias, los
grafos de conocimiento pueden mejorar los algoritmos de recomendación, haciéndolos más
personalizados y efectivos.
• Integración y vinculación de datos: los grafos de conocimiento pueden integrar y vincular datos de
varias fuentes, proporcionando una vista unificada de la información y permitiendo un análisis de datos
y una toma de decisiones más efectivos.
• Atención médica: en la atención médica, los grafos de conocimiento pueden representar las relaciones
entre enfermedades, síntomas, medicamentos y tratamientos, lo que respalda la toma de decisiones
clínicas y la investigación.
• Detección de fraude: en los servicios financieros, los grafos de conocimiento pueden ayudar a detectar
actividades fraudulentas mediante el análisis de las relaciones entre transacciones, cuentas y entidades.
Representaciones del Conocimiento en un
computador para implementar las tareas
Memoria (Data almacenada)
Inteligencia Artificial Estadística Identificar Patrones en los datos
Simbólica Descriptiva Inferencial Machine Learning
Estructuras Medio Rango
Pruebas de
hipótesis
Análisis de
correlación
Clásico Redes Neuronales
Reglas Sintácticas
Gramáticas libres
Estructuradas o
de contexto Sujeto-Predicado-
de Decisión Regresión
Objeto Lineal
Arboles Deep Learning
Transformers
Lenguajes de Motores de Grafos de
DSL If …. Then .... Ontologías
Programación reglas conocimiento
LLMs Gen AI
Estadística
• La estadística es una rama de las matemáticas que se
ocupa de la recopilación, análisis, interpretación,
presentación y organización de datos.
• Proporciona métodos para dar sentido a datos
complejos, sacar conclusiones y tomar decisiones
informadas basadas en datos.
• La estadística se utiliza ampliamente en diversos
campos, como la ciencia, los negocios, la economía,
las ciencias sociales y más.
Tipos de Estadística
• Estadística descriptiva:
• Se ocupa de resumir y describir las características principales de
una colección de datos.
• Proporciona resúmenes simples sobre la muestra y las medidas.
• Las estadísticas descriptivas comunes incluyen medidas de
tendencia central (como media, mediana y moda), medidas de
variabilidad (como rango, varianza y desviación estándar) y
distribuciones de frecuencia.
• Estadística inferencial:
• Consiste en hacer inferencias y predicciones sobre una población
basándose en una muestra de datos tomados de esa población.
• Implica utilizar la teoría de la probabilidad para estimar
parámetros de población, probar hipótesis y hacer predicciones.
• Las técnicas de estadística inferencial comunes incluyen pruebas
de hipótesis, intervalos de confianza, análisis de regresión y
análisis de varianza (ANOVA).
Software
(Programa)
(Instrucciones + Datos)
Ayudan en la ejecución de tareas
No Machine Machine
Learning Learning
Reglas Fijas Aprende con los datos
No Machine Learning Software
f()
Reglas Fijas
Expresadas en el código
x f(x)
calcPE(stock){
price = readPrice()
Respuesta
DATA earning = readEarning()
return (price/earning) 10.34
}
f(x) = y
x Datos No Machine Learning
Respuesta
Programación Tradicional
f() Reglas
Que tareas puedo hacer con este tipo de programación
• Guardar y recuperar datos
• Comunicar y presentar datos
• Realizar cálculos fijos
• Juegos con reglas fijas
Machine Learning
f()
x Datos
Machine Learning Reglas
y Respuestas
Que tareas puedo hacer con este tipo de programación
• Encontrar patrones (reglas) en los datos y a esto se le llama
aprendizaje y esta en algo que se denomina parámetros
• Puedo averiguar nuevos datos con las reglas o patrones
encontrados
Usos del machine learning
Machine Learning
Análisis Generación de
Predictivo contenido
Toma de
Creatividad
decisiones
Algoritmos y técnicas de machine
learning
Machine Learning
Basado en Redes
Clásico
Neuronales
MLP
Regresión Arboles de
SVM (Multilayer Deep Learning
lineal Decisión
Perceptron)
Transformer
RNN CNN
s
Deep Learning: Transformers
(múltiples capas de redes
neuronales)
El conocimiento humano está en todas las
conexiones neuronales que hacemos en toda
nuestra vida de aprendizaje. Miles de millones
de conexiones neuronales con un nivel de
intensidad X (cantidad de mielina)
Machine
Learning y el
análisis
predictivo
• El análisis predictivo agrupa una
variedad de técnicas: estadísticas, de
aprendizaje automático (Machine
Learning) y minería de datos que
analiza los datos actuales e
históricos reales para hacer
predicciones acerca del valor de una
variable o dato desconocido
• Ese dato o variable puede ser
del futuro
Preguntas
Decisión Datos
Si tengo el dato que no conozco
para la toma de decisión, reduzco
la incertidumbre. Análisis
Uso de los datos para la toma de
decisiones
La importancia de la analítica
en la toma de decisiones
• Moneyball es una película de 2011 adaptación
de la novela Moneyball: the art of winning an
unfair game (2003), basada en la historia real
de Billy Beane, gerente general del equipo
Oakland Athletics,
• Decisión basada en datos:
• A quién debo contratar para el equipo?.
• Objetivo: ganar el torneo o quedar entre los
primeros con un presupuesto bajo
• https://www.youtube.com/watch?time_co
ntinue=86&v=KWPhV6PUr9o
Representaciones del Conocimiento en un
computador para implementar las tareas
Memoria (Data almacenada)
Inteligencia Artificial Estadística Identificar Patrones en los datos
Simbólica Descriptiva Inferencial Machine Learning
Estructuras Medio Rango
Pruebas de
hipótesis
Análisis de
correlación
Clásico Redes Neuronales
Reglas Sintácticas
Gramáticas libres
Estructuradas o
de contexto Sujeto-Predicado-
de Decisión Regresión
Objeto Lineal
Arboles Deep Learning
Transformers
Lenguajes de Motores de Grafos de
DSL If …. Then .... Ontologías
Programación reglas conocimiento
LLMs Gen AI
¿Qué son las
GenAI?
• La inteligencia artificial generativa es un
campo dentro de la inteligencia artificial (IA)
centrado en crear modelos que pueden
generar contenido nuevo, que podría ser
texto, imágenes, música, voz, o incluso
videos, que no existían previamente.
• Estos modelos aprenden de grandes
cantidades de datos existentes, analizando
patrones, estilos, o estructuras, y luego
utilizan este aprendizaje para producir
nuevas creaciones que se asemejan o están
inspiradas en esos datos originales.
¿Cómo lo hacen?
Transformer Patrones
Deep Learning: Transformers
(múltiples capas de redes
neuronales)
El conocimiento humano está en todas las
conexiones neuronales que hacemos en toda
nuestra vida de aprendizaje. Miles de millones
de conexiones neuronales con un nivel de
intensidad X (cantidad de mielina)
¿Cómo lo hacen?
Mucho texto (billones Transformer Patrones
de oraciones)
¿Cómo funcionan con texto? Predecir el siguiente termino más
probable
¿Cómo funcionan con texto? Predecir el siguiente termino más
probable
¿Cómo funcionan con texto? Predecir el siguiente termino más
probable
¿Cómo funcionan con texto? Predecir el siguiente termino más
probable
¿Cómo lo hacen?
Prompt Respuesta
Mucho texto (billones Transformer Patrones
de oraciones)
¿Cómo funcionan con texto? Predecir el siguiente termino más
probable
Las GenAI y su
impacto en el trabajo
• La Gen AI tiene mayor impacto en el trabajo
del conocimiento, especialmente en las
actividades que implican creación de
contenido y conocimiento.
• Es probable que los profesionales de campos
como:
• Desarrollo de software, educación, el
derecho, las artes, entre otras vean
automatizadas partes de sus trabajos
antes de lo esperado.
Tomado de Mackinsey: https://www.mckinsey.com/featured-insights/mckinsey-explainers/whats-the-future-of-generative-ai-an-early-view-in-15-charts
¿Cómo armar equipos de desarrollo
rápidamente?
No-Code (GUI por
ejemplo Power Apps
Low Code (Python con
librerías y frameworks)
Full Code (full stack)
Gen AI en la
ingeniería
de software
https://medium.com/ai-horizons/generative-ai-in-software-engineering-756d7dea6a14
Importancia de la GenAI
en el mundo laboral
actual.
• Todos los trabajos publicados en Indeed, desde
camionero hasta ingeniero de software, tienen
habilidades que pueden automatizarse o
aumentarse mediante GenAI.
• Los trabajos de desarrollo de software tienen la
mayor exposición potencial, junto con los de
mercadeo y legales.
• Aquellos que tienen alta sensibilidad humana no
serán tan impactados por la GenAI
Aumento versus
automatización
• Aumento
• Ayudar a los humanos con una tarea.
• Por ejemplo, recomendar una respuesta para que
un agente de servicio al cliente la edite/apruebe.
• Automatización
• Realizar una tarea automáticamente
• Por ejemplo, transcribir y resumir
automáticamente registros interacciones de
clientes en un call center
• Para algunas tareas, las empresas comenzarán con el
aumento y avanzarán gradualmente hacia la
automatización
Casos de uso
• Mejora de la experiencia del cliente con agentes virtuales de autoservicio:
• Interfaces conversacionales de voz y texto para mejorar la interacción con los
clientes, aumentar la satisfacción, reducir costos operativos y optimizar
procesos organizacionales.
• Mejora de las operaciones del centro de contacto:
• Reduce los tiempos de espera, aumenta la productividad y satisfacción de los
agentes(reduce la necesidad de atención humana), disminuye costos.
• Impulso a la productividad y creatividad de los empleados:
• Transforma la forma de trabajar de los empleados mediante interfaces de
lenguaje natural que ofrecen respuestas significativas, análisis y
recomendaciones personalizadas. Esto lleva a una mayor productividad,
innovación y satisfacción laboral
Casos de uso
• Aumento y aceleración de la creación de contenido de comunicación:
• Automatiza tareas repetitivas en comunicaciones, permitiendo a los
profesionales concentrarse en trabajos de mayor valor.
• Generación de contenido educativo poderoso:
• Automatizar trabajos manuales y mejorar la productividad, la creatividad y el
tiempo dedicado a nuevas ideas y estrategias de participación. Generar
contenido educativo diverso, así como potenciar el currículo con contenido
personalizado y sugerir temas adicionales relevantes.
• Ideación y desarrollo de nuevos servicios:
• Acelera y mejora la creación de productos y servicios, desde la ideación hasta
el lanzamiento, automatizando tareas de diseño, análisis y redacción, y
generando múltiples ideas a partir de simples indicaciones de texto.
Casos de uso
• Automatización de la extracción y análisis de datos de documentos:
• Complementa los servicios de procesamiento inteligente de documentos para
automatizar y acelerar la extracción y análisis de datos de documentos,
corrigiendo errores y completando tareas más rápidamente que los flujos de
trabajo tradicionales.
• Mejora en el desarrollo de software con Generative AI:
• GenAI está revolucionando el desarrollo de software al automatizar tareas
repetitivas, generar código a partir de especificaciones en lenguaje natural y
ofrecer sugerencias de mejora de código.
Demo de
ChatGPT:
ChatGPT es la
adaptación para Chat
(dialogo), con base en
prompts de GPT
(Generative Pretrained
Transformer)
¿Cómo lo hacen?
Prompt Respuesta
Mucho texto (billones Transformer Patrones
de oraciones)
Act as an AI expert and write
me a presentation on the
impact of generative AIs at
work. It starts with definitions
of concepts, then answers the
questions of why, what and
how and at the end draws
some conclusions. write 15
slides and write me the
content of each slide
¿Qué es el Prompt Engineering?
Prompt
Engineering
Techniques
Prompt Engineering Techniques
¿Por qué utilizar
IA generativa en
el trabajo?
• Automatizar tareas rutinarias.
• Thinking task
• Thunking task. Example: copying-pasting
• Aumentar la productividad
• Mckinsey estima que las GenAI podrían
agregar entre 2,6 trillones de dólares a
4,4 trillones de dólares anualmente en
los 63 casos de uso que analizaron.
• Potenciando la creatividad.
• Resolución eficiente de problemas y toma de
decisiones.
Las preguntas de fondo
• ¿Qué significa aprender?
• ¿Cómo diferenciamos el aprendizaje de la memorización?
• ¿Qué tareas inteligentes resolvemos con memorización?
• Por ejemplo:
• Ser un buen abogado es solo aprenderse las leyes.
• Cuantas tareas de un abogado se realizan con solo aprenderse las leyes y
parafrasearlas de diferentes maneras
• El mismo ejemplo aplica para un médico, un administrador, un
desarrollador de software, un gerente de proyectos, etc
• ¿Cómo aprendemos los seres humanos?
• ¿Podemos traducir esto en modelos de inteligencia artificial?
Desafíos e
inquietudes
• Dilemas éticos: Deepfakes y
desinformación.
• La dependencia de la IA podría
reducir las habilidades humanas.
• Temores de desplazamiento
laboral.
¿Cómo identificar oportunidades de
aumentar o automatizar tareas?
• Identifique una actividad o procesos
en el que usted participa o realiza.
Determine cual es el objetivo o Tarea dentro del proceso o Potencial de las
actividad GenAI (aumentar o
resultado de esa actividad o proceso. automatizar)
• Divida esa actividad en tareas
pequeñas (lo más detallado posible).
• Nota: tal y como usted lo hace, que
puede ser diferente a como está
documentado en el SIGME
• Y para cada tarea identifique si hay
oportunidad de aumentar o
automatizar con las GenAI
Un ejemplo
Tarea dentro del proceso o Potencial de las GenAI
actividad (aumentar o automatizar)
• Actividad: dictar clases
Seleccionar el material para Aumentar con resúmenes de
• Objetivo: mejorar el proceso de presentar en clase artículos y libros usando
enseñanza y generar más cursos GenAI
Presentar el material Aumentar con la generación
y charlas de presentaciones y graficas
utilizando GenAI
Elaborar un cuestionario Automatizar utilizando
GenAI alimentándolo con el
material
Calificar Automatizar utilizando
GenAI
Un ejemplo
Tarea dentro del proceso o Potencial de las
• Actividad: realizar entrevistas a actividad GenAI (aumentar o
automatizar)
operadores y prestadores de
Realizar la entrevista presencial Ninguna
servicios públicos domiciliarios y grabarla
• Objetivo: identificar Escuchar nuevamente la Automatizar con
entrevista y obtener el texto y modelos que
preocupaciones y oportunidades las ideas principales convierten de
con el SUI-AAA con el fin de Audio2Text
Realizar un resumen y obtener Automatizar con
determinar los requisitos de las preocupaciones y LLMs como ChatGPT
transformación del SUI-AAA oportunidades discutidas o Bard
Redactar los requisitos Aumentar con los
LLMs. Que el LLMs
realice la primera
versión del requisito
Recomendaciones para participar en
el concurso
• Para que le quite el miedo a los prompts
• https://medium.com/@corraljrmiguel/21-prompt-patterns-you-should-know-636c931bba2a
• https://medium.com/aimonks/ultimate-chatgpt-prompt-guide-for-2024-part-2-3c3176457517
• Haga un curso de prompt engineering
• https://www.udemy.com/course/bootcamp-completo-de-prompt-engineering-para-ia-generat
iva/
• Lea y vea ejemplos de prompts
• https://github.com/successfulstudy/promptoftheyear?tab=readme-ov-file&utm_source=tldrn
ewsletter
• Cree una cuenta y use plataformas de GenAI.
• Ejemplos: ChatGPT, Bard-Gemini, Mistral, Llama-2, etc.
• Para alguna de las tareas que identifico con potencial ensaye prompts
Conclusión
• No hay la menor duda que las GenAI están
afectando y afectaran las actividades que realizamos
en el trabajo.
• Muchas de las actividades intelectuales que
hacemos hoy serán realizadas por GenAI mejor
que lo que hacemos nosotros
• ¿Qué hacer?
• Mejorar, reciclar y capacitar para empoderar a
la fuerza laboral de las empresas.
• Capacitar a la fuerza laboral en datos y todo lo
relacionado con AI, GenAI, entre otros
Taller
• Identifique una actividad o procesos
en el que usted participa o realiza.
Determine cual es el objetivo o Tarea dentro del proceso o Potencial de las
actividad GenAI (aumentar o
resultado de esa actividad o proceso. automatizar)
• Divida esa actividad en tareas
pequeñas (lo más detallado posible).
• Nota: tal y como usted lo hace, que
puede ser diferente a como está
documentado en el SIGME
• Y para cada tarea identifique si hay
oportunidad de aumentar o
automatizar con las GenAI
¿Qué oportunidad de negocio puede
resolver con AI?
• Identifique una preocupación de negocio que pueda resolver con AI.
• Defina el problema
• Área a la que pertenece el problema
• Interesados en la oportunidad
• Capacidad de negocio que potencia si lo resuelve
• Objetivo por lograr con la solución
• Tipo de AI a utilizar para resolverlo
• Nota: preocupación = problema, oportunidad o deseo
