Quisiera compartir con todos ustedes el grandioso trabajo que hicimos en el último hackathon de la NASA. Fui invitado por una amiga a tomar su lugar para poder trabajar con un equipo de 5 personas sobre una solución de Inteligencia Artificial.
Mi equipo constaba de 5 personas de las cuales: 1 era de nanotecnología, 2 eran mecatrónicos, 1 era de Marketing y solo yo era el experto en Inteligencia artificial… Fue difícil.
Sobre todo porque el reto que nos impusimos fue el de hacer una inteligencia artificial… siendo yo el único que sabía del tema… y el único que sabía programar.
Desarrollamos una metodología de consumo de recursos y procedimientos estipulados por la NASA relacionados con la seguridad de los tripulantes en una misión. Se comparan los estándares y los sensores de la nave y se emite un juicio a respecto por medio de un asistente virtual.
La solución contempla las limitaciones de las IAs basadas en LLMs que presentan tendencias hacia la alucinación, que es inventar información.
Esto sucede porque las herramientas han aprendido patrones gramaticales, mismas que se pueden encontrar tanto en hechos como en mentiras; la única forma de discriminar que es verdad con lo que no, es comparándolo con la realidad misma o con definiciones establecidas; por lo que se presenta una solución en forma de una capa adicional de seguridad que asegura se utilice estas herramientas no como fuentes, sino como traductores semánticos de la información.
RAG: Retreival Augmented Generation
La metodología contempla 3 fases, las cuales aseguran el menor consumo posible de recursos y minimizando el riesgo de inventarse información en el proceso:
- La primera etapa consiste en crear un mapa de conceptos en donde encontrar la información en los distintos PDFs que usa la NASA para describir los estándares y procesos. Este concepto se le conoce comúnmente como “Knowledge graph”, siendo la solución una versión simplificada del mismo.
- La segunda etapa representa la forma en la que un modelo ya entrenado de lenguaje logra encontrar patrones en el texto dentro de las hojas técnicas y de estándares, cruzando la información de los sensores y discriminando de manera lógica si se está cumpliendo o no la norma.
- La tercera fase abarca la forma en cómo el usuario utiliza la herramienta a través de una instrucción oral, recibiendo respuesta en forma de audio sin necesidad de interacción manual.
Los alcances permiten reducir el riesgo de ofrecer datos erróneos y alucinación, genera robustez a las respuestas, permite una revisión de los documentos y contrastar en tiempo real con la información de los sensores en la misión.
A su vez, la propuesta permite integrar cualquier documento técnico de la NASA para poder ser consumido por la arquitectura de categorización, en una manera en la que solo se requiere un modelo ligero (10 kb) del tipo “POS Tagger”, siendo así económico en recursos computacionales.
A su vez, permite a la arquitectura soportar escalabilidad al introducir patrones de conceptos en múltiples documentos y obtener así la ubicación exacta y relevante de la información.
Si te interesa leer toda la documentación al respecto, te dejo un enlace para que puedas leerla completa.
Gracias por leer mi publicación. Si has llegado hasta aquí, por favor considera suscribirte a mi boletín, compartir, comentar o dejar un aplauso. Nos ayuda mucho y nos motiva a seguir creando contenido como este. Tenemos muchas cosas en marcha, pero nos encanta compartir contenido.
Tu interacción es un buen recordatorio de que tomarse un momento para escribir es valioso. No olvides revisar nuestras redes sociales y nuestra agencia si quieres ayuda para construir tu negocio alrededor de la IA.
