¿Qué es Chat GPT y cómo sacarle provecho en el sector de la construcción?

Área Temática: IA en Construcción

Autor: Daniel Medina Quispe

Introducción

Los modelos generativos de transformadores pre entrenados, conocidos como GPT, son sistemas avanzados de predicción de lenguaje natural. Su objetivo es imitar el proceso del habla humana para mantener conversaciones fluidas, una tarea inherentemente compleja debido a los matices del lenguaje humano, que no pueden ser fácilmente programados mediante reglas estrictas. Para abordar estos desafíos, se emplea el aprendizaje automático (machine learning), donde la máquina se ajusta automáticamente basándose en ejemplos proporcionados.

ChatGPT, por ejemplo, ha sido entrenado con una vasta cantidad de datos, incluyendo textos de páginas web, publicaciones de Reddit con alta valoración, compilados de la Biblioteca Universal Web y la totalidad de Wikipedia, cubriendo el período de 2016 a 2019. Pero, a pesar de su capacidad para generar texto coherente, es crucial aclarar que ChatGPT no comprende realmente los temas, no tiene pensamiento matemático o abstracto, y posee una memoria limitada. Aunque estos aspectos están en constante mejora, la barrera más significativa sigue siendo el entendimiento humano. ¿Entonces cómo es que funciona Chat GPT?

Funcionamiento de ChatGPT

El proceso comienza con la tokenización del texto ingresado, donde el texto se convierte en listas de vectores con múltiples dimensiones (parámetros). En la versión GPT-1, se utilizaron 117 millones de parámetros, mientras que GPT-2 empleó 1.5 mil millones y GPT-3 aumentó esta cifra a 175 mil millones de parámetros. Estos tokens se colocan en un mapa de lenguaje, donde las palabras se organizan según su proximidad semántica. Por ejemplo, las palabras "gato" y "perro" pueden considerarse cercanas debido a su relación con mascotas. Este mapeo se combina con técnicas como Long Short-Term Memory (LSTM), que permite recordar lo mencionado previamente en la conversación, y el modelo de Transformadores, que permite una contextualización, en otras palabras, puede determinar la zona del mapa de lenguaje que se acomode más al tema solicitado. Finalmente, el modelo genera texto basándose en las probabilidades calculadas para el siguiente token, produciendo así una respuesta coherente.

Aplicación en el Sector de la Construcción

En el sector de la construcción, uno de los usos más apetecibles de ChatGPT es su aplicación como asistente virtual para facilitar información sobre proyectos, gestión, optimización y generación de informes. Sin embargo, para que estas aplicaciones sean efectivas, se requiere una gran cantidad de datos verificados. En la construcción, la calidad y disponibilidad de datos pueden variar, lo que limita la implementación de estos asistentes virtuales. No obstante, el uso de Building Information Modeling (BIM) ofrece una esperanza, ya que la información del Entorno Común de Datos (CDE) de cada país podría permitir la creación de asistentes virtuales capaces de gestionar proyectos de manera eficiente.

Recomendaciones para el Uso de ChatGPT

1. Interacción con la Máquina: Recuerda que estás interactuando con una máquina que no comprende el contexto humano. Evita modales y recursos literarios complejos.
2. Lenguaje Lógico: Utiliza un lenguaje claro y lógico, aunque parece evidente esta habilidad se está perdiendo, sobre todo en países de América Latina con bajas tasas de lectura y deficientes habilidades de abstracción matemática.
3. Especificidad y Detalle: Sé específico y detallado en tus peticiones. Evita la redundancia y la ambigüedad.
4. Limitaciones Técnicas: Considera las limitaciones técnicas, como la cantidad máxima de caracteres de entrada y la longitud máxima de salida. Recuerda que la máquina tiene una memoria corta y puede olvidar detalles después de conversaciones prolongadas.
5. Uso como Fuente de Información: No utilices ChatGPT como fuente de información definitiva. El fenómeno de alucinación, junto con la redacción detallada, puede llevar a la desinformación.
6. Cálculos Matemáticos: No uses ChatGPT para realizar cálculos matemáticos. Aunque puede resolver distintos problemas que requieren abstracción matemática y está en constante mejora, no es una calculadora.

Conclusión

En conclusión, ChatGPT tiene un gran potencial para mejorar la eficiencia en el sector de la construcción, siempre y cuando se comprendan y respeten sus limitaciones y se utilice de manera adecuada. Sin embargo, su aplicación también plantea nuevos desafíos. Es necesario contar con profesionales que posean habilidades que van más allá de la formación tradicional del sector, así como una estandarización en la producción de proyectos, que incluya no solo las normas de construcción, sino también normativas de redacción y presentación de informes.

Además, sería sumamente beneficioso que las grandes empresas del sector estén dispuestas a liberar parte o la totalidad de la información que poseen, ya que esta información, siendo de alta calidad, podría significar un avance significativo para la industria de la construcción en todo un país. La colaboración y el acceso a datos verificados y de calidad son esenciales para aprovechar al máximo las capacidades de ChatGPT y otras herramientas de inteligencia artificial en el sector de la construcción.

Bibliografía:

1. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780.
2. LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324.
3. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84-90.
4. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems, 30.
5. Goularas, D., & Kamis, S. (2019, August). Evaluation of deep learning techniques in sentiment analysis from twitter data. In 2019 International Conference on Deep Learning and Machine Learning in Emerging Applications (Deep-ML) (pp. 12-17). IEEE.
6. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444.
7. Saka, A., Taiwo, R., Saka, N., Salami, B. A., Ajayi, S., Akande, K., & Kazemi, H. (2023). GPT models in construction industry: Opportunities, limitations, and a use case validation. Developments in the Built Environment, 100300.