¿Cómo entienden las herramientas de mapeo de IA la intención del usuario?

Las herramientas de mapeo por IA entienden la intención del usuario como si estuvieran jugando a una versión avanzada de "adivina lo que dibujas". Curiosamente, estas herramientas no se limitan a copiar pistas textuales, sino que utilizan complejas redes neuronales para descodificar los mensajes ocultos en el lenguaje humano. Por ejemplo, Manus, cuando el usuario introduce "dibuja un selfie de Lu Xun delante de la Torre de Cantón", no sólo tiene que entender las características de la imagen de Lu Xun como figura histórica, sino también las del estilo fotográfico moderno del "selfie". También tiene que captar las sutilezas del estilo fotográfico moderno del "selfie", incluida la composición, la luz e incluso la sensación de aleatoriedad deliberada. Detrás de esta capacidad de comprensión hay una gran cantidad de datos de entrenamiento y modelos de análisis semántico.

Proceso de asignación de palabras clave a elementos visuales

Fíjese bien en el trabajo de Manus para la marca CoLe Tea Drinks y verá que demuestra una asombrosa capacidad para entender el contexto. La herramienta no solo identifica el concepto básico de "bebida de té", sino que también lo asocia automáticamente con las preferencias estéticas del mercado juvenil: verde claro para la frescura y naranja para la vitalidad, una elección de color que tiene claramente en cuenta las características psicológicas del grupo de usuarios objetivo. Es más, incluso sabe cómo utilizar los patrones de hojas y naranja para dar a entender los ingredientes del producto, y este tipo de capacidad de asociación de conceptos cruzados se acerca bastante a la forma de pensar de los diseñadores humanos.

Por otra parte, hay límites obvios a lo que las herramientas de dibujo de IA pueden entender. En la prueba, cuando se le pidió que generara un selfie "deliberadamente banal", Manus fue capaz de completar la tarea, pero el proceso fue claramente más laborioso de lo que habría sido si hubiera tenido que lidiar con demandas convencionales. Esto sugiere que las IA actuales se manejan mejor con criterios estéticos claros y les cuesta más entender expresiones artísticas poco convencionales e irónicas. Esto no es difícil de entender: al fin y al cabo, hay muchas más muestras de "buen trabajo" en los datos de entrenamiento que ejemplos de trabajo "deliberadamente malo".

Los avances de la comprensión multimodal

Las capacidades que Manus demostró en el caso de la combinación de muebles de IKEA fueron especialmente impresionantes. Este tipo de comprensión multimodal, que combina el reconocimiento de imágenes, la búsqueda en la web y la planificación del espacio, representa la última dirección de desarrollo de las herramientas de dibujo de IA. Imaginemos que cuando decimos "organiza esta habitación al estilo escandinavo", la IA no sólo tiene que entender qué es el estilo escandinavo, sino que también tiene que tener en cuenta una serie de factores como la estructura del espacio existente, el tamaño de los muebles, la combinación de colores, etc. Este tipo de capacidad de juicio global era inimaginable en las herramientas de dibujo de IA hace dos años. Este tipo de capacidad de juicio integral era inimaginable en las herramientas de dibujo de IA hace dos años.

Por supuesto, estos avances también plantean nuevos retos. Como se vio en las pruebas, las tareas complejas pueden tardar entre 10 y 30 minutos en completarse con una calidad irregular. Esto nos recuerda que parece haber una especie de compromiso entre la profundidad de la comprensión de la intención del usuario por parte de la IA y la eficacia de la ejecución. A medida que los modelos se vuelvan más complejos, la cuestión de cómo mejorar la capacidad de respuesta al tiempo que se mantiene la profundidad de la comprensión será un tema clave que los desarrolladores tendrán que abordar.

Al final, la comprensión de la intención del usuario por parte de la actual herramienta de mapeo de IA es como la de un estudiante de arte en proceso de aprendizaje: puede captar rápidamente los requisitos técnicos claros, pero para aquellas expresiones sutiles que requieren contexto cultural y resonancia emocional, aún necesita más "¡experiencia vital! ". Pero a juzgar por la tendencia de herramientas como Manus, este "estudiante" puede estar progresando mucho más rápido de lo que pensamos.