Aleph Alpha levanta US$ 500 millones y compite con ChatGPT

Buenos Aires (AT) – En un anuncio realizado en Berlín, Aleph Alpha, el especialista en inteligencia artificial, celebró un logro destacado: la compañía, fundada en 2019 por Jonas Andrulis, completó una ronda de financiamiento y recaudó más de US$ 500 millones. La noticia fue anunciada con el Ministro Federal de Economía de Alemania, Robert Habeck.

Aunque la empresa prefirió no divulgar detalles sobre su valoración, Jonas Andrulis le dijo al periódico FAZ que “si somos un unicornio o no, cada uno puede decidir por sí mismo”. Esta ronda de financiamiento es una de las más importantes en el ámbito de la inteligencia artificial en Europa. Representa un logro tanto para Aleph Alpha como para Alemania.

Desde ya, Aleph Alpha compite con gigantes tecnológicos de Estados Unidos y China. Habeck felicitó a Jonas Andrulis y a su equipo. Se refirió a ellos como un ejemplo de innovación y éxito en el ámbito de la inteligencia artificial.

La ronda de financiamiento cuenta con la participación de empresas como SAP y Bosch Ventures. El Grupo Schwarz lidera la inversión junto con el Innovation Park Artificial Intelligence (Ipai), un proyecto de la fundación del propietario de Lidl, Dieter Schwarz.

Además de estas contribuciones, Aleph Alpha logró el respaldo de la estadounidense Hewlett Packard Enterprise, una división de la editorial Burda con sede en Múnich. Por otro lado, los inversores ya existentes renovaron su compromiso con la empresa.

Una empresa en un sector clave                                                                         

Aleph Alpha se destaca por su enfoque en el desarrollo de modelos de lenguaje avanzados de inteligencia artificial, similar a la startup californiana OpenAI con ChatGPT. La compañía de Heidelberg se especializa en aplicaciones para la administración pública y la industria. Ya logró un avance significativo en su búsqueda de la inteligencia artificial precisa, explicativa y confiable. Su modelo de lenguaje personalizado, denominado Luminous, es capaz de comprender conexiones en la información y realizar correcciones basadas en datos sólidos.

En medio de estos logros, Jonas Andrulis aprovechó la oportunidad para hacer un llamado a los políticos europeos y evitar la sobreregulación de la inteligencia artificial. En discurso, Andrulis enfatizó la importancia de contar con “jugadores de campo” además de “árbitros” en el desarrollo y regulación de la IA. Su llamado fue respaldado por el Ministro Habeck, quien, después de su reciente visita al KI-Gipfel en Bletchley Park, destacó la necesidad de equilibrar la seguridad con el aprovechamiento de las posibilidades que la inteligencia artificial puede ofrecer.

Los componentes de la IA

Una de las aplicaciones más llamativas de la IA es la creación de sistemas de procesamiento de lenguaje natural (NLP), como ChatGPT y otros similares. Estos sistemas son capaces de comprender y generar lenguaje de manera casi indistinguible de un humano. Para comprender cómo funcionan estos sistemas, es importante explorar los componentes clave.

-Modelo de lenguaje: el corazón de un sistema NLP es su modelo de lenguaje automático, que se entrena con enormes cantidades de texto en lenguaje natural. Utiliza esta información para comprender la estructura del lenguaje, la gramática y el significado.

–Arquitectura de red neuronal: la mayoría de los sistemas de IA basados en NLP utilizan arquitecturas de redes neuronales profundas, como las redes neuronales recurrentes (RNN), las redes neuronales convolucionales (CNN) o las redes neuronales transformer.

–Entrenamiento supervisado y no supervisado: estos sistemas se entrenan utilizando grandes conjuntos de datos que contienen ejemplos de texto en lenguaje natural. El entrenamiento puede ser supervisado, donde se proporciona al modelo pares de preguntas y respuestas, o no supervisado, donde el modelo se entrena en un corpus de texto sin etiquetas y aprende a generar texto coherente por sí mismo.

–Aprendizaje por refuerzo: en algunos sistemas de chatbots, se utiliza el aprendizaje por refuerzo para refinar las respuestas del modelo. Esto implica entrenar al modelo para interactuar con usuarios reales y recibir retroalimentación sobre la calidad de sus respuestas.