Los mejores modelos de IA del mundo operan en inglés

Imagen de Sanket Mishra en Pexels

Todavía quedan muchos desafíos y avances en la IA multilingüe, ya que supone un reto para los idiomas con recursos limitados.

La IA ha logrado avances significativos en la generación de texto, especialmente en inglés, pero se enfrenta grandes dificultades al tratar de trabajar con otros idiomas. Estos son idiomas que tienen pocos datos disponibles online, como el cantonés, el vietnamita o el bahasa indonesio, a pesar de que son hablados por decenas de millones de personas.

La IA se entrena mediante enormes cantidades de datos extraídos de textos online, como libros, artículos y sitios web. Sin embargo, la abundancia de contenido en inglés ha permitido que los modelos más potentes, como GPT-4, logren su eficacia en este idioma.

En contraste, los idiomas con menos contenido digital se enfrentan serias limitaciones, lo que resulta en traducciones imprecisas y respuestas incoherentes. Además, los modelos pueden crear «traducciones inventadas» de palabras que no existen en otras culturas, como sucede con términos como «dim sum».

Un aspecto clave es la falta de datos auténticos en estos idiomas, lo que afecta la precisión de los modelos. La digitalización de textos en lenguas locales se ve obstaculizada por factores como el acceso limitado a internet y la autocensura gubernamental. A esto se suman los problemas de escalabilidad, ya que los modelos de IA más potentes, como GPT-4, tienen billones de parámetros, lo que resulta difícil de replicar para idiomas con pocos recursos.

Ejemplos como la empresa surcoreana Naver, que ha entrenado su modelo HyperCLOVA X con miles de veces más datos en coreano que GPT-4, muestran que existen esfuerzos por mejorar el rendimiento de la IA en lenguas regionales. En Indonesia, empresas como Indosat y Goto están trabajando en un modelo que opera en bahasa indonesio y otros idiomas locales. Sin embargo, la calidad de los datos disponibles sigue siendo un obstáculo importante.

Asimismo, otro desafío es el riesgo de que la IA genere contenido que distorsione los valores culturales. Los modelos entrenados con datos traducidos del inglés pueden no captar matices lingüísticos o contextuales importantes, lo que genera sesgos en las respuestas. Este fenómeno se conoce como el «colapso del modelo», donde los datos generados por IA pueden contaminar futuras generaciones de modelos.

Para lograr una IA verdaderamente global, expertos como Aliya Bhatia insisten en la necesidad de más inversión en modelos multilingües. Si bien grandes empresas tecnológicas están comenzando a explorar estas oportunidades, aún queda un largo camino por recorrer para que la IA sea accesible y precisa en todos los idiomas del mundo.