La Udelar dedicó una jornada de intercambio al uso de la IA en la Investigación
Las Jornadas de Inteligencia Artificial de la Udelar se orientan a promover una comprensión crítica, informada y contextualizada sobre esta tecnología y a generar intercambios que contribuyan a elaborar guías para su implementación y uso en la institución.
La apertura del tercer encuentro del ciclo estuvo a cargo de la prorrectora de Investigación, Celia Quijano, quien destacó la importancia de que nuestra universidad aborde las diversas aristas de esta temática «para irnos acercando a un mayor y mejor uso de las herramientas de IA».
También participó Mariela de León, directora del Servicio Central de Informática Universitaria e integrante del Grupo de Trabajo sobre IA, creado por el Consejo Directivo Central (CDC) en 2025. Explicó que el grupo, -integrado con representantes de los órdenes del cogobierno, de las distintas áreas académicas y de la Dirección General Jurídica, además de la prorrectora de Gestión-, tiene la tarea de elaborar guías para el uso de la IA en la institución.
En su proceso de trabajo, este equipo consultó numerosa bibliografía, recabó información sobre la utilización de IA en otras universidades y se vinculó con actores relevantes como Ceibal y la Agencia de Gobierno Electrónico y Sociedad de la Información y del Conocimiento (Agesic), comentó De León. Sobre esta base, el grupo propuso al CDC el establecimiento de pautas éticas y estratégicas para la adopción de la IA en nuestra institución, lo cual se concretó en mayo de este año. También promovió el desarrollo de estas jornadas para difundir dichos principios y cosechar aportes para la elaboración de la guías institucionales en esta materia. Finalmente, De León invitó a la comunidad universitaria a compartir sus experiencias con herramientas de IA, a través de la plataforma Participa Udelar.
Entrenamiento en el lenguaje humano
La jornada continuó con una ponencia a cargo de Aiala Rosá, docente del Instituto de Computación de la Facultad de Ingeniería e integrante del Grupo de Procesamiento de lenguaje natural. En particular, Rosá trabaja en el análisis de la información contenida en archivos de la dictadura, comentó. Explicó que su perspectiva en esta presentación no era la de quien utiliza herramientas de IA para investigar, porque su trabajo se enfoca en el estudio y desarrollo de estas tecnologías.
La docente indicó que las herramientas de IA surgieron con la intención de que las computadoras se comporten en cierta medida como humanos. Esa búsqueda condujo al lenguaje, algo característico de los seres humanos y por eso, es la base de la investigación en lenguaje natural o lingüística computacional, explicó. El procesamiento del lenguaje natural ha permitido desarrollar tareas como la recuperación de información, la traducción automática -que es una de las grandes motivaciones para desarrollar el área-, la respuesta a preguntas y el análisis de sentimientos, es decir, la clasificación de textos en categorías como positivo o negativo.
Este desarrollo ha permitido desarrollar tecnologías basadas en inteligencia artificial generativa, herramientas que utilizan modelos de lenguaje como motores principales, explicó. Se trata de modelos matemáticos que ejecutan cálculos y operaciones, luego de haber sido entrenados con enormes cantidades de datos; «para hacernos una idea, todo lo que está en internet, una enorme cantidad de información, se usa para entrenar unos u otros modelos». El entrenamiento consiste en aportar al modelo una secuencia de lenguaje para que, en base a cálculos de probabilidad, determine qué palabra debería continuar la secuencia, indicó.
Con la acumulación de datos y de cálculos, actualmente estos modelos capturan muchísima información sobre cómo funciona el lenguaje y además, sus parámetros se van ajustando y mejorando, señaló. Sobre esta base, las empresas que producen chatbots utilizan ejemplos de preguntas y respuestas creados por personas para que los modelos aprendan la dinámica real de interacción con usuarios, señaló la investigadora.
En cuanto a los riesgos de utilizar herramientas de IA, Rosá explicó que, al realizar una búsqueda en internet, la síntesis que despliega el modelo de Google, Gemini, puede omitir información importante que sí se encuentra al navegar en sitios web de referencia.
La docente recomendó no utilizar las herramientas de IA para tareas que podemos ejecutar más rápidamente, por ejemplo, con una calculadora o estableciendo fórmulas en planillas de cálculo. En cambio, estas herramientas son muy buenas como asistentes de escritura y en todo tipo de tareas que involucren el lenguaje, «escriben muy bien, entienden bien el texto que yo ingreso, comprenden todo el contexto y comprenden qué estoy buscando, para qué, qué cosa tiene sentido responder y qué sería una respuesta totalmente fuera de lugar», sostuvo. Son buenas para resumir, para mejorar lo que escribimos y para traducir, agregó.
Finalmente, Rosá explicó que muchas investigaciones del Grupo de Procesamiento de lenguaje natural no se enfocan en los grandes modelos de IA generativa, sino que buscan estudiar técnicas «para mejorar el desempeño de los modelos más chicos, que son los que podemos correr localmente; tratamos de entrenar y desarrollar modelos nuestros con datos de términos específicos que nos interesan y ajustarlos para resolver tareas específicas».
Problemas e hipótesis de la biología
La segunda ponencia de esta jornada se tituló «El impacto de la IA en la investigación científica: el caso de la Biología Estructural» y estuvo a cargo de Ari Zeida, docente de la Facultad de Medicina. El investigador explicó que la biología se basa en un paradigma central que relaciona una secuencia de ADN con una proteína determinada, que a la vez cumple una función particular en el organismo al que pertenece. Las proteínas se sintetizan como una secuencia de aminoácidos que se pliegan en el espacio adoptando estructuras tridimensionales específicas de magnitud nanométrica. Estas formas les permiten interactuar con otras moléculas en el organismo y por eso, conocer sus estructuras es clave para comprender qué funciones cumplen.
Durante décadas, la Biología Estructural ha buscado predecir estructuras proteicas a través de métodos bioquímicos y también biofísicos de alta resolución. Pero, «si uno quisiera probar todas las formas posibles de una proteína pequeña, de 100 aminoácidos, uno tiene algo así como 10 47 posibilidades conformacionales de esa proteína; obviamente esto se vuelve un problema inabarcable», planteó. A pesar de esta dificultad, a lo largo de los años equipos científicos alrededor del mundo dedicados a esta área lograron definir miles de estas estructuras, comentó Zeida. Afortunadamente, no solo compartieron sus resultados en revistas científicas sino que también lo hicieron en la plataforma Protein Data Bank, una base de datos accesible a la comunidad científica desde hace más de 50 años, informó.
«Hoy esta base tiene más de 200.000 estructuras resueltas experimentalmente» y esta acumulación, junto a otras interacciones entre los equipos científicos, ha permitido entrenar modelos de IA que hoy resultan sumamente efectivos al predecir estructuras a partir de secuencias de ADN, señaló el docente. Estas herramientas transformaron tanto en tan poco tiempo el campo de la Biología Estructural que actualmente «todos en mayor o menor medida utilizamos estas herramientas a diario para contestar preguntas, resolver problemas, generar hipótesis», explicó Zeida.
El intercambio durante la jornada continuó con la ponencia «IA aplicada a la gestión y evaluación de la investigación», realizada por Alejandro Zunino y Daniela Godoy, investigadores del CONICET y del Instituto Superior de Ingeniería del Software de Tandil, Argentina. Posteriormente se presentaron experiencias de uso de IA desarrolladas en la Udelar.
