Investigando la investigación

• 337. ¿Son realmente útiles las herramientas de IA en investigación?

  Hoy exploramos un tema que cada vez genera más debate en la academia y la investigación: ¿Las herramientas de inteligencia artificial han alcanzado un punto en el que realmente aportan valor o seguimos en una fase experimental?Para abordar esta cuestión, contamos con la participación de varios expertos que han estado probando diferentes herramientas de IA en sus áreas de trabajo. Nos acompañan Rosario Gámez Sánchez, bibliotecaria de Universidad Privada y asesora en procesos de acreditación y publicación, quien se centra en "Necesidades de investigadores en herramientas IA". Javier González Iglesias, cirujano ortopédico y traumatólogo deportivo, doctor en Medicina, que presenta "Estrategias de formación en IA", entre muchos otros temas. Alejandro S. Ghersin, del CONICET-ITBA, aporta su experiencia en el uso de IA en investigación. Archibaldo Bravo comparte su visión sobre la automatización en la investigación, mientras que Eva Sayba reflexiona sobre la accesibilidad y ética de la IA en el ámbito académico.Durante la conversación exploramos ejemplos concretos en los que la IA ha facilitado tareas repetitivas o tediosas en la investigación, así como casos en los que aún no está a la altura de las expectativas y sigue generando errores o resultados poco confiables. También discutimos el impacto en la escritura académica, cuestionándonos si la IA realmente ayuda a mejorar la claridad de los textos o simplemente introduce más ruido. Además, abordamos cuestiones epistemológicas y cómo cambia la forma en que pensamos la investigación cuando dependemos de herramientas que automatizan ciertos procesos.Al final del episodio, reflexionamos sobre hacia dónde nos dirigimos. ¿Estamos ante un cambio de paradigma en la investigación o simplemente ante una moda pasajera? ¿Cómo podemos aprovechar la IA sin caer en sus trampas?Como siempre, espero vuestros comentarios y experiencias con estas herramientas. ¿Las habéis utilizado en vuestra investigación? ¿Os han facilitado la vida o añadido más problemas?Si os ha gustado el episodio, no olvidéis compartirlo y dejar vuestra opinión en la plataforma donde lo escucháis. Además, te invitamos a unirte a nuestra comunidad gratuita de investigadores en WhatsApp:⁠⁠⁠⁠⁠⁠⁠https://chat.whatsapp.com/BIfSH9QFEiK9hiS83fw2am⁠ ⁠⁠⁠⁠⁠⁠donde podrás interactuar con otros investigadores y compartir tus opiniones sobre el tema de este episodio. Nos encantaría saber qué piensas y recibir tus comentarios para seguir mejorando.Gracias por escuchar y nos vemos en el próximo episodio.

  --------  

  1:48:08
• 336. El Impacto de la IA y la computación cuántica en la investigación biomédica

  Este episodio ha sido grabado por IAcademia (https://www.iacademia.es/). En esta entrevista que me ha hecho Eva Pérez, comparto una conversación sobre el impacto de la inteligencia artificial y la bioinformática en la investigación y la atención sanitaria. Hablamos sobre cómo estas tecnologías disruptivas están revolucionando la forma en que predecimos fenómenos biológicos y analizamos datos médicos para mejorar los tratamientos y optimizar la toma de decisiones.Uno de los temas centrales ha sido la capacidad de la inteligencia artificial para predecir fenómenos biológicos y analizar datos sanitarios. Explico cómo la bioinformática y la supercomputación permiten desarrollar modelos que ayudan a predecir la evolución de enfermedades, diseñar nuevos fármacos y mejorar la gestión hospitalaria. También profundizo en un proyecto innovador que busca predecir la probabilidad de recaídas en pacientes atendidos en urgencias, una herramienta que puede transformar la eficiencia del sistema sanitario.Otro punto clave de la conversación ha sido la importancia de la investigación interdisciplinaria. La colaboración entre profesionales de distintas áreas es esencial para abordar los desafíos actuales en biomedicina. Además, exploramos el potencial de la computación cuántica en la investigación de salud y los retos que plantea la implementación de modelos de inteligencia artificial explicables y regulados dentro del sector.Entre los proyectos mencionados en este episodio destacan el modelo de IA explicable para predecir recaídas en urgencias (episodio 331 del podcast), el proyecto europeo sobre cáncer colorrectal que utiliza inteligencia artificial para mejorar tratamientos (https://www.revert-project.eu/) y la herramienta OBE-DB (https://bio-hpc.ucam.edu/obe-db/), diseñada para evaluar el potencial terapéutico de compuestos en el tratamiento de la obesidad.Si te ha interesado, y quieres comentar sobre el episodio, te invito a unirte a nuestra comunidad gratuita en WhatsApp:⁠⁠⁠⁠⁠⁠⁠https://chat.whatsapp.com/BIfSH9QFEiK9hiS83fw2am⁠ ⁠⁠⁠⁠⁠⁠donde podrás interactuar con otros investigadores y compartir tus opiniones sobre el tema de este episodio. Nos encantaría saber qué piensas y recibir tus comentarios para seguir mejorando.Gracias por escuchar y nos vemos en el próximo episodio.

  --------  

  1:02:30
• 335. Del papel a la IA: cómo ha cambiado la forma en que buscamos y leemos papers

  Hoy te hablo de cómo han cambiado las herramientas para seguir la literatura en investigación. Pero no solo seguirla, sino también procesarla. Y antes de entrar en detalle, te cuento una historia de viejos (porque a veces toca).En 2001, cuando quería leer un artículo científico, tenía que ir a la hemeroteca, buscar el journal en papel, localizar el volumen correcto, sacar varios tomos en un carrito y fotocopiarlos. Ahora, con un móvil, lo tenemos todo en segundos. Pero esa evolución no solo ha sido cuestión de acceso: ha cambiado la forma en que decidimos qué leer y cómo procesamos lo que leemos.De 2004 a 2023, Google Scholar, Web of Science y Scopus dominaron la búsqueda de artículos. La gran revolución llegó con la inteligencia artificial generativa, y aquí entra en escena SciSpace.¿Qué hace esta herramienta? Tres cosas clave:Búsqueda semántica, mucho más potente que los buscadores clásicos. No se limita a palabras clave exactas, sino que entiende el significado detrás de la consulta.Resúmenes automáticos de cada paper, destacando lo esencial en segundos.Interacción con los papers, permitiéndote hacer preguntas sobre ellos y recibir respuestas en lenguaje natural.El impacto de esto no es solo práctico, sino también filosófico. ¿Estamos investigando mejor o solo produciendo más ruido? Antes profundizábamos en unos pocos artículos; ahora acumulamos cientos en Zotero sin leerlos. ¿Nos ayuda este mar de información o nos ahoga?Reflexiono sobre estas preguntas en el episodio. Y si quieres discutirlo conmigo y con otros investigadores, puedes unirte a nuestra comunidad en WhatsApp:⁠⁠⁠⁠⁠⁠https://chat.whatsapp.com/BIfSH9QFEiK9hiS83fw2am⁠ ⁠⁠⁠⁠⁠Que tengas un buen día, y recuerda: si estas herramientas te ahorran tiempo, úsalo bien. Sal a dar un paseo.

  --------  

  22:14
• 334. Usa el algoritmo de las redes para aprender de manera más eficiente

  Hoy comparto un método de aprendizaje inspirado en los algoritmos de redes sociales. La idea es aprovechar cómo estas plataformas detectan lo que nos interesa y aplicarlo al estudio de cualquier materia. Combinando este enfoque con la repetición espaciada y las autoevaluaciones tipo test, se puede optimizar el proceso de aprendizaje de manera eficiente y personalizada. Primero, los algoritmos de redes sociales identifican lo que nos gusta y nos lo muestran con más frecuencia. En el aprendizaje, esto significa reconocer qué partes de un contenido dominamos y cuáles necesitan más repaso. Luego, la repetición espaciada permite ajustar la frecuencia de revisión según la dificultad que presenta cada concepto. Finalmente, las autoevaluaciones tipo test refuerzan la retención y ayudan a detectar puntos débiles. Para poner esto en práctica con herramientas de inteligencia artificial, basta con estructurar un sistema que presente fragmentos de contenido de forma aleatoria, los explique de manera sencilla y genere preguntas para evaluar la comprensión. Si las respuestas son correctas, ese contenido aparece menos veces; si hay errores, se repite con mayor frecuencia y reformulado de distintas maneras. Este método se puede aplicar con cualquier tema y herramienta de IA, como ChatGPT, cargando PDFs o utilizando información accesible en internet. Lo ideal es experimentar con los prompts hasta encontrar la mejor manera de automatizar el proceso y guardar un prompt maestro para reutilizarlo fácilmente en futuras sesiones. Además, te invito a unirte a nuestra comunidad gratuita en WhatsApp: ⁠⁠⁠⁠⁠⁠https://chat.whatsapp.com/BIfSH9QFEiK9hiS83fw2am⁠ ⁠⁠⁠⁠⁠ donde podrás interactuar con otros investigadores y compartir tus opiniones sobre el tema de este episodio. Nos encantaría saber qué piensas y recibir tus comentarios para seguir mejorando. Gracias por escuchar y nos vemos en el próximo episodio.

  --------  

  15:27
• 333. Cómo Google está resolviendo los mayores retos de la computación cuántica

  Hoy exploraremos un tema que está marcando un antes y un después en la tecnología: la computación cuántica y el reciente avance de Google con su procesador Willow y publicado en Nature: https://www.nature.com/articles/s41586-024-08449-y https://blog.google/technology/research/google-willow-quantum-chip/ La computación cuántica es una tecnología que promete revolucionar nuestra forma de resolver problemas complejos. A diferencia de las computadoras clásicas, que trabajan con bits que solo pueden ser 0 o 1, las computadoras cuánticas utilizan qubits, que gracias a la superposición pueden ser 0 y 1 al mismo tiempo. Esto, junto con el entrelazamiento cuántico, permite procesar información de manera exponencialmente más eficiente. Sin embargo, hasta ahora, uno de los mayores retos ha sido la fragilidad de los qubits y la corrección de errores. Aquí es donde entra Willow, el nuevo procesador cuántico de Google, que ha logrado un avance histórico: superar el umbral crítico en la corrección de errores. Utilizando códigos de superficie con distancias 5 y 7, han reducido la tasa de error a un impresionante 0,143%. Además, han mejorado la memoria cuántica, logrando que los qubits lógicos tengan una duración de vida 2.4 veces mayor que los qubits físicos. Esto significa que estamos más cerca de construir sistemas cuánticos estables y fiables, un paso crucial hacia aplicaciones prácticas. Otro logro clave ha sido la implementación de un sistema de decodificación en tiempo real, capaz de corregir errores en tan solo 63 microsegundos. Este avance es fundamental para que los algoritmos cuánticos puedan ejecutarse de manera continua y eficiente. Aunque todavía hay retos, como la mitigación de errores raros, estos avances representan un cambio de paradigma en la computación cuántica. Este progreso no solo redefine los límites de lo posible, sino que también abre la puerta a aplicaciones revolucionarias en áreas como la salud, la criptografía y la inteligencia artificial. Sin embargo, aún queda mucho por hacer para escalar estos sistemas y llevarlos al mundo real. Episodios relacionados: 155, 187, 266 Además, te invitamos a unirte a nuestra comunidad gratuita de investigadores en WhatsApp: ⁠⁠⁠⁠⁠⁠https://chat.whatsapp.com/BIfSH9QFEiK9hiS83fw2am⁠ ⁠⁠⁠⁠⁠ donde podrás interactuar con otros investigadores y compartir tus opiniones sobre el tema de este episodio. Nos encantaría saber qué piensas y recibir tus comentarios para seguir mejorando. Gracias por escuchar y nos vemos en el próximo episodio.

  --------  

  41:32

Más podcasts de Ciencias

Podcasts a la moda de Ciencias

Acerca de Investigando la investigación