¿Qué es la AI generativa?

Explicación para un estudiante (básica):

La AI generativa es una tecnología que puede crear contenido nuevo y original, como arte, música, código de software y escritura. Cuando los usuarios ingresan una solicitud, la inteligencia artificial genera respuestas basadas en lo que aprendió a partir de ejemplos existentes en internet y suele producir resultados únicos y creativos.

Explicación para un desarrollador (técnica):

La AI generativa es una rama de la inteligencia artificial centrada en modelos informáticos capaces de generar contenido original. Al aprovechar el poder de los modelos de lenguaje grandes, las redes neuronales y el machine learning, la AI generativa puede producir contenido novedoso que imita la creatividad humana. Estos modelos se entrenan con sets de datos grandes y algoritmos de aprendizaje profundo que aprenden las estructuras, las relaciones y los patrones subyacentes presentes en los datos. Los resultados son salidas nuevas y únicas, basadas en las solicitudes de entrada, incluidas imágenes, video, código, música, diseño, traducción, respuesta a preguntas y texto.

Los modelos de AI generativa funcionan usando redes neuronales, inspiradas en las neuronas del cerebro humano, para aprender patrones y características de datos existentes. Estos modelos pueden, luego, generar datos nuevos que se alinean con los patrones que aprendieron. Por ejemplo, un modelo de AI generativa entrenado con un conjunto de imágenes puede crear nuevas imágenes similares a aquellas con las que se entrenó. Es similar al modo en que los modelos de lenguaje pueden generar texto expansivo basado en palabras proporcionadas para el contexto.

La AI generativa aprovecha técnicas avanzadas, como redes generativas adversativas (GAN), modelos de lenguaje grandes, modelos autocodificadores variacionales (VAE) y transformadores para crear contenido en un rango de dominios dinámico. A continuación se explican más detalles sobre estos enfoques.

Con el aprendizaje a partir de sets de datos grandes, estos modelos pueden refinar sus salidas a través de procesos de entrenamiento iterativos. El modelo analiza las relaciones dentro de datos dados y obtiene conocimientos de forma efectiva de los ejemplos proporcionados. Mediante el ajuste de los parámetros y la minimización de la diferencia entre las salidas deseada y generada, los modelos de AI generativa pueden mejorar de manera continua su capacidad para generar contenido relevante en contexto y de alta calidad. Los resultados, ya sea un poema fantasioso o una respuesta de soporte al cliente de un chatbot, con frecuencia no pueden distinguirse del contenido generado por humanos.

Desde la perspectiva de un usuario, la AI generativa suele comenzar con una solicitud inicial que guiará la generación de contenido, a lo que le sigue un proceso de idas y vueltas iterativo que explora y refina las variaciones.

Mira este video y profundiza sobre el funcionamiento de la AI generativa. Conoce qué debes tener en cuenta a medida que exploras su implementación para tu empresa u organización.

La AI generativa emplea varios modelos para permitir la creación de contenido nuevo y original. Algunos de los tipos más comunes de modelos de AI generativa incluyen los siguientes:

Redes generativas adversativas (GAN): una GAN consiste de dos componentes clave: un generador y un discriminador. El generador genera datos sintéticos conforme a los patrones que aprendió a partir de los datos de entrenamiento. El discriminador actúa como juez y evalúa la autenticidad de esos datos generados en comparación con datos reales y decide si son reales o falsos. El proceso de entrenamiento enseña al generador a producir salidas más realistas, mientras que el discriminador mejora en la distinción entre datos genuinos y sintéticos. Las GAN se usan ampliamente en la generación de imágenes y han demostrado tener resultados impresionantes en la creación de objetos visuales increíblemente realistas.

Autocodificadores variacionales (VAE): los VAE son redes neuronales que aprenden a codificar y decodificar datos. Un codificador comprime los datos de entrada en una representación de menor dimensión denominada espacio latente. Mientras tanto, un decodificador reconstruye los datos originales desde el espacio latente. Los VAE permiten la generación de datos nuevos tomando muestras de puntos en el espacio latente y decodificándolos en salidas significativas. El enfoque es particularmente valioso en la síntesis de audio e imagen, donde las representaciones latentes pueden manipulares para producir salidas diversas y creativas.

Modelos de lenguaje grandes (LLM): Los tipos más comunes de LLM, como ChatGPT (transformador generativo preentrenado), se entrenan con grandes volúmenes de datos textuales. Estos modelos de lenguaje sofisticados usan el conocimiento de libros de texto, sitios web y publicaciones en redes sociales. Aprovechan las arquitecturas del transformador para comprender y generar texto coherente basado en solicitudes dadas. Los modelos de transformadores son la arquitectura más común de los modelos de lenguaje grandes. Constan de un codificador y un decodificador, y procesan los datos creando un token a partir de solicitudes dadas para descubrir las relaciones entre ellos.

En esencia, los modelos de transformadores predicen qué palabra sigue en una secuencia de palabras a fin de simular el discurso humano. Los LLM tienen la capacidad de participar en conversaciones realistas, responder preguntas y generar respuestas creativas similares a las de los humanos, lo cual los hace ideales para aplicaciones relacionadas con el lenguaje, desde chatbots y creación de contenido hasta traducción.

La AI generativa ofrece beneficios poderosos tanto en el nivel individual como comercial. Su impacto continuará incrementándose a medida que la tecnología evolucione. A corto plazo, uno de los beneficios más inmediatos y significativos es la mayor eficiencia y los flujos de trabajo optimizados. La capacidad de automatizar tareas ahorra tiempo valioso, y recursos, tanto para las personas como para las empresas. Gracias a actividades que van desde crear borradores de correos electrónicos hasta realizar reservas, la AI generativa ya está aumentando la eficiencia y productividad. Estas son solo algunas de las formas en que la AI generativa está marcando la diferencia:

• La creación de contenido automatizada permite a las empresas y los individuos producir contenido personalizado de alta calidad a escala. Esto ya está teniendo un impacto en todos los dominios, en particular en publicidad, marketing, entretenimiento y producción de medios.
• La AI generativa puede funcionar como una herramienta de inspiración para los artistas, diseñadores, escritores, arquitectos y otros creadores, lo que les permitirá explorar posibilidades novedosas, generar ideas nuevas y ampliar los límites de su trabajo creativo. Mediante la colaboración con la AI generativa, los creadores pueden lograr niveles nunca antes pensados de productividad, y esto allanará el camino para más trabajo artístico, literatura, periodismo, arquitectura, video, música y moda.
• Los modelos de AI generativa pueden usarse para tareas de solución de problemas que requieren nuevas soluciones o ideas, además de para analizar datos a fin de mejorar la toma de decisiones. Por ejemplo, en el diseño de productos, los sistemas impulsados por AI pueden generar nuevos prototipos u optimizar diseños existentes basados en requisitos y limitaciones específicas. Las aplicaciones prácticas para investigación y desarrollo son potencialmente revolucionarias. Y la capacidad de resumir información compleja en segundos tiene beneficios de resolución de problemas de gran alcance.
• Para los desarrolladores, la AI generativa puede optimizar el proceso de escribir, comprobar, implementar y optimizar el código.
• Para las empresas orientadas a los consumidores, los asistentes virtuales y chatbots impulsados por AI generativa pueden proporcionar soporte al cliente mejorado, lo cual reduce los tiempos de respuesta y la carga en los recursos.

Si bien la AI generativa tiene enorme potencial, también enfrenta ciertos desafíos y limitaciones. Algunas inquietudes clave incluyen:

Sesgo de datos: los modelos de AI generativa dependen de los datos con los que se entrenaron. Si los datos de entrenamiento contienen sesgos o limitaciones, estos sesgos pueden verse reflejados en las salidas. Las organizaciones pueden mitigar estos riesgos limitando cuidadosamente los datos con los que se entrenan los modelos o usando modelos especializados personalizados específicos para sus necesidades.

Consideraciones éticas: la capacidad de los modelos de AI generativa para crear contenido realista despierta inquietudes éticas, como el impacto que tendrá en la sociedad y su potencial uso indebido o manipulación. Garantizar el uso responsable y ético de la tecnología de AI generativa será un tema constante.

Salidas poco confiables: es sabido que los modelos de AI generativa y LLM alucinan respuestas; problema que se exacerba cuando un modelo no tiene acceso a información relevante. Esto puede provocar que se brinden a los usuarios respuestas incorrectas o información errónea que parezcan fácticas y seguras. Cuanto más realista suene el contenido, más difícil resultará identificar información imprecisa.

Especificidad del dominio: la falta de conocimiento sobre el contenido específico del dominio es una limitación común de los modelos de AI generativa como ChatGPT. Los modelos pueden generar respuestas coherentes y relevantes en el contexto a partir de la información con la que se entrenaron (con frecuencia, datos públicos de internet), pero es habitual que no puedan acceder a datos específicos del dominio ni proporcionar respuestas que dependan de una base de conocimientos exclusiva, como la documentación interna o el software propio de una organización. Puedes minimizar estas limitaciones proporcionando acceso a los documentos y datos específicos de tu dominio.

Cualidad de oportuno: los modelos son tan recientes como los datos con los que se entrenan. Las respuestas que pueden proporcionar los modelos se basan en datos de "un momento en el tiempo" que no son datos en tiempo real.

Requisitos informáticos: entrenar y ejecutar modelos de AI generativa grandes requiere una cantidad importante de recursos informáticos, incluido hardware poderoso y gran capacidad de memoria. Estos requisitos pueden aumentar los costos y limitar la accesibilidad y la escalabilidad de ciertas aplicaciones.

Requisitos de datos: entrenar modelos de AI generativa grandes también requiere acceso a un gran corpus de datos cuyo almacenamiento puede ser costoso y requerir mucho tiempo.

Inquietudes respecto a la fuente: los modelos de AI generativa no siempre identifican la fuente desde la cual extraen el contenido, lo cual genera problemas complicados de derechos de autor y atribución.

Falta de interpretabilidad: los modelos de AI generativa suelen funcionar como "cajas negras", y esto hace que sea particularmente desafiante comprender su proceso de toma de decisiones. La falta de interpretabilidad puede dificultar la confianza y la adopción de límites en aplicaciones esenciales.

Despliegue del modelo y procesos de gestión: elegir el modelo indicado requiere de experimentación e iteración rápida. Y desplegar modelos de lenguaje grandes (LLM) para aplicaciones de AI generativa es una tarea compleja que demanda mucho tiempo y tiene una curva de aprendizaje pronunciada para muchos desarrolladores.

Los modelos de AI generativa son de diversas formas, cada no tiene aplicaciones y capacidades únicas; y la cantidad de interfaces de AI generativa parece multiplicarse día a día. Actualmente, los modelos de AI generativa más poderosos y populares incluyen los siguientes:

ChatGPT
Un éxito rotundo desde su lanzamiento para el público en noviembre de 2022, ChatGPT es un modelo de lenguaje grande desarrollado por OpenAI. Usa una interfaz de chat conversacional para interactuar con los usuarios y ajustar las salidas. Está diseñado para comprender y generar respuestas como un humano a solicitudes de texto, y ha demostrado tener habilidad para participar en intercambios conversacionales, responder preguntas de forma relevante e incluso mostrar sentido del humor.

La versión ChatGPT-3 original, disponible de forma gratuita para los usuarios, se entrenó según lo reportado con más de 45 terabytes de datos de texto de toda internet. Microsoft integró una versión de GPT en su motor de búsqueda Bing poco tiempo después. Y ChatGPT-4, la versión basada en suscripción y actualizada de OpenAI, se lanzó en marzo de 2023.

ChatGPT usa una arquitectura de transformador de vanguardia. GPT significa "Generative Pre-trained Transformer" (transformador generativo preentrenado), y la arquitectura de transformador ha revolucionado el campo del procesamiento de lenguaje natural (NLP).

DALL-E
DALL-E 2, también de OpenAI, se enfoca en generar imágenes. DALL-E combina una arquitectura de GAN con un autocodificador variacional para producir resultados visuales muy creativos y detallados basados en solicitudes de texto. Con DALL-E, los usuarios pueden describir una imagen y un estilo que tienen en mente, y el modelo lo generará. Junto con competidores como MidJourney y el nuevo Adobe Firefly, DALL-E y la AI generativa están revolucionando la forma en que se crean y editan las imágenes. Y con las capacidades emergentes en toda la industria, los videos, las animaciones y los efectos especiales se transformarán de modo similar.

Google Gemini
Originalmente desarrollado a partir de una versión de la familia de modelos de lenguaje grandes LaMDA de Google, y luego actualizado a la versión más avanzada PaLM 2, Gemini es la alternativa de Google a ChatGPT. Gemini funciona de manera similar, con la capacidad de codificar, resolver problemas de matemática, responder preguntas y escribir, además de proporcionar resultados de búsqueda de Google.

Si bien la tecnología es relativamente joven y evoluciona rápido, la AI generativa ya se ha afianzado en varias aplicaciones e industrias. Gracias a la compilación de aplicaciones de usuario impulsadas por AI generativa, las empresas pueden crear nuevas experiencias para los clientes que impulsen la satisfacción, los ingresos y la rentabilidad, al igual que nuevos flujos de trabajo de empleados que puedan mejorar la productividad, todo esto al mismo tiempo que reducen costos y riesgos. Los casos de uso incluyen los siguientes:

• AI en la tecnología: la AI generativa puede ayudar a las organizaciones tecnológicas a mejorar la experiencia y el servicio al cliente con soporte interactivo y bases de conocimientos, acelerar la investigación y el desarrollo de productos con la escritura de código y el modelado de pruebas, y la redefinición de flujos de trabajo de empleados con asistentes impulsados por AI que puedan ayudar a sintetizar y extraer información de forma rápida.
• AI en el Gobierno: las agencias gubernamentales nacionales y locales están pensando en cómo la AI generativa puede crear servicios públicos más personalizados e hiperrelevantes, análisis de inteligencia e investigaciones más precisas, mayor productividad de los empleados, experiencias digitales optimizadas en los componentes y más.
• AI en los servicios financieros: los bancos, las aseguradoras, las empresas de gestión de patrimonios, las agencias de crédito y otras instituciones financieras pueden aprovechar la AI generativa para crear experiencias innovadoras para el cliente que impacten en los ingresos brutos, como asistentes de banca personal, chatbots de autoservicio para clientes, asesores financieros virtuales, asistentes de préstamos y más. La AI generativa también puede mejorar la capacidad de los empleados para encontrar información relevante que acelere su flujo de trabajo. Ya sea detección de fraude, gestión de riesgo, investigación del mercado o ventas y operaciones bursátiles, los asistentes impulsados por AI pueden ayudar a disminuir el tiempo que se dedica a tareas manuales y acelerar la toma de decisiones.
• AI en la publicidad y el marketing: la AI generativa proporciona contenido automatizado de bajo costo para campañas de publicidad y marketing, publicaciones de redes sociales, descripciones de productos, materiales de desarrollo de marca, correos electrónicos de marketing, recomendaciones personalizadas y muchas otras estrategias dirigidas de marketing, venta adicional y venta cruzada. Gracias a la producción de contenido personalizado basado en análisis y datos de los consumidores, la AI generativa puede impulsar el compromiso de los clientes y las tasas de conversión. También puede ayudar con la segmentación de clientes usando datos para predecir la respuesta de un grupo objetivo a las campañas.
• AI en la atención médica: los modelos de AI generativa pueden ayudar en el análisis de imágenes médicas, el diagnóstico de enfermedades, la identificación de interacciones medicamentosas y la aceleración del descubrimiento de fármacos, lo que ahorra tiempo y recursos. Mediante la generación de datos médicos sintéticos, los modelos pueden ayudar a aumentar los sets de datos limitados y mejorar la precisión de los sistemas de diagnóstico.
• AI en la industria automotriz y la manufactura: la AI generativa proporciona a las compañías automotrices y de manufactura la capacidad de ofrecer el kit de herramientas relevante para optimizar las operaciones de los empleados, como la identificación de problemas tecnológicos operativos, la gestión interactiva de la cadena de suministro, el mantenimiento predictivo con gemelos digitales o los asistentes virtuales relevantes para cualquier línea de negocios. Las organizaciones también pueden buscar desarrollar manuales digitales interactivos, chatbots de autoservicio, configuradores de productos asistidos y más para mejorar la experiencia y la retención de los clientes.
• AI en el arte y los medios: quizá más que en cualquier otra área, la AI generativa está revolucionando los campos creativos. Puede ayudar a los artistas y diseñadores en la generación de trabajos únicos más rápido, a los músicos en la composición de melodías nuevas, a los diseñadores de juegos en la representación de mundos completamente nuevos y a los cineastas en la generación de efectos visuales y animaciones realistas. Las compañías cinematográficas y de medios también pueden producir contenido de forma más económica, gracias a la capacidad de realizar tareas como traducir el trabajo a distintos idiomas usando la voz original del actor.
• AI en el comercio electrónico y la venta minorista: la AI generativa puede ayudar a que el comercio electrónico sea más personalizado para los compradores usando sus patrones de compra para recomendar productos nuevos y crear un proceso de compra más ágil. Para los negocios de comercio electrónico y minoristas, la AI puede crear mejores experiencias de usuario, desde navegación más intuitiva hasta características de servicio al cliente con AI habilitada usando chatbots y secciones de preguntas frecuentes informadas con AI.

El futuro de la AI generativa es prometedor. A medida que la tecnología avanza, modelos de AI generativa cada vez más sofisticados abordan varias inquietudes a nivel global. La AI tiene el potencial de acelerar con rapidez la investigación para el descubrimiento y el desarrollo de fármacos generando y probando soluciones de moléculas, acelerando el proceso de investigación y desarrollo. Pfizer usó AI para realizar ensayos de vacunas durante la pandemia de coronavirus¹, por ejemplo. La AI también es una solución emergente para muchos problemas ambientales. Cabe destacar que algunos robots con AI habilitada ya están trabajando y asistiendo en las acciones de limpieza del océano.

La AI generativa también puede generar contenido creativo impresionantemente original e hiperrealista. El contenido de todas las industrias, como marketing, entretenimiento, arte y educación, se personalizará según los requisitos y las preferencias individuales, lo que potencialmente redefinirá el concepto de expresión creativa. El progreso puede llevar, con el tiempo, a aplicaciones en realidad virtual, juegos y experiencias de narración inmersivas que prácticamente no puedan distinguirse de la realidad.

En el corto plazo, el impacto de la AI generativa se sentirá de forma más directa a medida que las capacidades avanzadas se incorporen en las herramientas que usamos a diario, desde plataformas de correo electrónico y software de hojas de cálculo hasta motores de búsqueda, procesadores de texto, mercados de comercio electrónico y calendarios. Los flujos de trabajo se volverán más eficientes, y las tareas repetitivas se automatizarán. Los analistas esperan ver grandes ganancias de productividad y eficiencia en todos los sectores del mercado.

Las organizaciones usarán soluciones de AI generativa personalizadas entrenadas con sus propios datos a fin de mejorar todo, desde las operaciones, la contratación y el entrenamiento hasta las cadenas de suministros, la logística, el desarrollo de marca y la comunicación. Los desarrolladores la usarán para escribir códigos perfectos en una fracción del tiempo. Como muchas tecnologías fundamentalmente transformadoras anteriores, la AI generativa tiene el potencial de influir en cada uno de los aspectos de nuestra vida.

Profundiza en las tendencias de búsqueda técnica de 2024. Mira este webinar para conocer las mejores prácticas, las metodologías emergentes y cómo las principales tendencias influencian a los desarrolladores en 2024.

Como cada vez más organizaciones integran la AI generativa en sus operaciones internas y externas, Elastic diseñó Elasticsearch Relevance Engine™ (ESRE) para brindar a los desarrolladores las herramientas que necesitan para impulsar aplicaciones de búsqueda basadas en inteligencia artificial. ESRE puede mejorar la relevancia y generar incrustacionesy vectores de búsqueda a escala, al mismo tiempo que permite a las empresas integrar sus propios modelos de transformadores.

Nuestro motor de relevancia está ajustado para desarrolladores que crean aplicaciones búsqueda impulsadas por AI, con características que incluyen soporte para integrar modelos de transformadores de terceros, como AI generativa y ChatGPT-3 y ChatGPT-4 a través de API. Elastic proporciona un puente entre los datos privados y la AI generativa, a través del cual las organizaciones pueden proporcionar contexto personalizado específico de la empresa para la AI generativa en una ventana de contexto. Esta sinergia entre Elasticsearch y ChatGPT asegura que los usuarios reciban respuestas fácticas, relevantes en contexto y actualizadas a sus búsquedas.

El maridaje de la destreza de recuperación de Elasticsearch y las capacidades de comprensión del lenguaje natural de ChatGPT ofrece una experiencia del usuario sin igual, lo cual establece un nuevo estándar para la recuperación de la información y la asistencia impulsada por AI. Existen incluso implicaciones para el futuro de la seguridad, con aplicaciones potencialmente ambiciosas de ChatGPT para mejorar la detección la respuesta y la comprensión.

Para obtener más información sobre supercargar tu búsqueda con Elastic y la AI generativa, regístrate para una demostración gratuita.

• Elegir un LLM: La guía 2024 de primeros pasos con los LLM open source
• Explicación de los algoritmos de búsqueda de la AI
• ¿Qué es un modelo de lenguaje grande?
• The role of generative AI in higher ed IT (El rol de la AI generativa en IT de educación superior)
• Revolutionising Australian government services with generative AI (Transformación de los servicios gubernamentales australianos con AI generativa)
• Advanced search for the AI revolution (Búsqueda avanzada para la revolución de la AI)
• ChatGPT and Elasticsearch: OpenAI meets private data (ChatGPT y Elasticsearch: OpenAI en combinación con datos privados)
• Elastic en Microsoft Build

Cuando estés listo… estas son cuatro formas en las que podemos ayudarte a aprovechar la información de los datos de tu empresa:

1. Comienza una prueba gratuita y ve cómo Elastic puede ayudar a tu empresa.
2. Haz un recorrido por nuestras soluciones para ver cómo funciona Elasticsearch Platform y cómo las soluciones se ajustarán a tus necesidades.
3. Descubre cómo brindar AI generativa en la empresa.
4. Comparte este artículo con alguien que sepas que disfrutaría leerlo. Compártelo por email, LinkedIn, Twitter o Facebook.

¿ChatGPT usa Elasticsearch?
Elasticsearch proporciona de forma segura acceso a los datos para ChatGPT, a fin de generar respuestas más relevantes.

¿Cuáles son algunos ejemplos de AI generativa?
Los ejemplos de AI generativa incluyen ChatGPT, DALL-E, Google Gemini, Midjourney, Adobe Firefly y Stable Diffusion.

¿Cuál es la diferencia entre inteligencia artificial y machine learning?
La inteligencia artificial (AI) se refiere al amplio campo de desarrollo de sistemas que pueden realizar tareas que simulan la inteligencia humana, mientras que el machine learning (ML) es un subconjunto de la AI que involucra el uso de técnicas y algoritmos complejos que permiten a los sistemas aprender de los datos, identificar patrones y mejorar el rendimiento sin instrucciones explícitas.

Redes generativas adversativas (GAN): las GAN son un tipo de arquitectura de redes neuronales que consiste en un generador y un discriminador que trabajan en conjunto para generar contenido realista y de alta calidad.

Autocodificador: un autocodificador es una arquitectura de redes neuronales que aprende a codificar y decodificar datos, que suele usarse para tareas como compresión y generación de datos.

Redes neuronales recurrentes (RNN): las RNN son redes neuronales especializadas para el procesamiento de datos secuencial. Tienen un componente de memoria que les permite retener información de pasos anteriores, lo que las hace adecuadas para tareas como la generación de texto.

Modelos de lenguaje grandes (LLM): los modelo de lenguaje grandes, incluido ChatGPT, son modelos de AI generativa poderosos entrenados con grandes cantidades de datos de texto. Pueden generar texto como un humano basado en solicitudes dadas.

Machine learning: el machine learning es un subconjunto de AI que usa algoritmos, modelos y técnicas para permitir a los sistemas aprender de los datos y adaptarse sin seguir instrucciones explícitas.

Procesamiento de lenguaje natural: el procesamiento de lenguaje natural es un subcampo de la AI y la ciencia de la computación que se ocupa de la interacción entre las computadoras y el lenguaje humano. Involucra tareas como la generación de texto, el análisis de sentimiento y la traducción de idiomas.

Redes neuronales: las redes neuronales son algoritmos inspirados en la estructura y función del cerebro humano. Consisten en nodos interconectados, o neuronas, que procesan y transmiten información.

Búsqueda semántica: la búsqueda semántica es una técnica de búsqueda centrada en la comprensión del significado de una consulta de búsqueda y en el contenido que se busca. Su objetivo es proporcionar resultados de búsqueda más relevantes en contexto.

Búsqueda de vectores: la búsqueda de vectores es una técnica que representa los puntos de datos como vectores en un espacio de alta dimensionalidad. Permite la búsqueda por similitud eficiente y sistemas de recomendación calculando las distancias entre los vectores.

¹ "Artificial Intelligence-Based Data-Driven Strategy to Accelerate Research, Development, and Clinical Trials of COVID Vaccine" (Estrategia impulsada por los datos basada en inteligencia artificial para acelerar la investigación, el desarrollo y los ensayos clínicos de la vacuna contra el COVID), Biomed Res Int. 2022, por Ashwani Sharma, Tarun Virmani, Vipluv Pathak, Anjali Sharma, Kamla Pathak, Girish Kumar y Devender Pathak, publicado en línea el 6 de julio de 2022, último acceso el 27 de junio de 2023.