A medida que la IA continúa evolucionando, también lo hace la experiencia de las personas a las que sirve.
La investigación de McKinsey muestra que en 2025, el 62% de las organizaciones estarán al menos experimentando con agentes de IA, mientras que casi 9 de cada 10 ahora dicen que los usan regularmente.
Decano de la Facultad de Ingeniería de la Universidad de Manhattan, Profesor Emérito de Diseño de Ingeniería e Ingeniería Mecánica en la Universidad Penn State y practicante de KAI.
Si bien estas estadísticas son alentadoras, las preocupaciones sobre la tecnología son consistentes, particularmente en torno a la calidad y confiabilidad de los datos y las respuestas incorrectas que las herramientas de inteligencia artificial pueden generar. Según McKinsey, la redundancia es un riesgo que la mayoría de las organizaciones están trabajando para mitigar.
Entonces, ¿hay formas de mejorar los resultados de LLM y obtener las respuestas y la información que queremos y de la forma en que las necesitamos? Actualmente, la respuesta es pedir a los usuarios que respondan mejor a sus indicaciones, pero si observamos cómo interactúan las personas entre sí, puede haber otra solución.
Presentación de la diversidad cognitiva y por qué es importante para el LL.M
En los seres humanos, la diversidad cognitiva se refiere a las diferencias en la forma en que los individuos piensan, resuelven problemas, generan ideas y toman decisiones.
El inventario KAI sugiere que esta diversidad se presenta en forma de preferencias naturales e innatas por la cantidad de estructura que utilizamos cuando creamos soluciones, organizamos nuestro entorno cuando las implementamos y respondemos a reglas y normas grupales.
La teoría de adaptación-innovación, en la que se basa el KAI, describe un espectro que va desde lo altamente adaptativo hasta lo altamente innovador, con una variación infinita en el medio.
En términos generales, las personas más adaptables prefieren más estructura y utilizan reglas claras y consistentes, mientras que las personas más innovadoras prefieren menos estructura y es más probable que ignoren o cambien las reglas para mantenerse comprometidas.
La preferencia de uno por una mayor adaptación o más innovación no está relacionada con la inteligencia o la motivación; Y debido a esto, no existe una posición ideal para uno en el espectro KAI.
Las décadas de investigación del Dr. MJ Kirton en Teoría de la Adaptación-Innovación sugieren que cuando los individuos comprenden sus estilos cognitivos, se pueden alcanzar soluciones de manera más efectiva, eficiente y eficiente, tanto individualmente como en equipo.
Pero, ¿cómo podemos aplicar esta teoría a la tecnología? ¿Podemos capacitar a los LLM para que hagan lo mismo? Las investigaciones sugieren que la respuesta es “sí”.
Lo que sugiere la investigación:
Un artículo reciente de investigadores de la Universidad Carnegie Mellon y la Universidad Penn State- Poner fantasmas en la máquina: simular estilos cognitivos en modelos de lenguaje grandes – exploró una pregunta fundamental: ¿Pueden los LLM imitar estilos cognitivos si les enseñamos cómo?
Los investigadores impartieron un modelo LLM sobre la teoría de la adaptación-innovación, para comprender la diversidad cognitiva y cómo se comportan las personas más adaptativas e innovadoras. Luego se les asignó la tarea de resolver tres problemas de diseño utilizando dos indicaciones diferentes, cada una de ellas diseñada específicamente con un estilo cognitivo diferente en mente.
Se desarrolló una indicación de forma adaptativa, que refleja el estilo de pensamiento de alguien que es cuidadoso, orientado a los detalles y prospera cuando trabaja con expectativas claras; El otro mensaje se construyó de forma creativa: refleja el estilo de pensamiento de cada uno cuando las expectativas son más ambiguas y hay mayor flexibilidad.
Las respuestas se evaluaron en función de la viabilidad (qué tan efectivas y realistas eran las soluciones) y la relevancia del paradigma (si las ideas se mantuvieron dentro de los marcos existentes o se desviaron de ellos).
Los resultados revelaron que las indicaciones adaptativas dieron como resultado soluciones tradicionales más probables, estructuradas. Por el contrario, las iniciativas innovadoras produjeron soluciones menos factibles pero más desafiantes para los paradigmas.
En pocas palabras, LLM no se trata solo de generar soluciones o respuestas, sino de generar el tipo correcto de solución basada en el conocimiento de la diversidad cognitiva y el estilo cognitivo efectivo de la persona que hace la pregunta.
Como resultado, proporciona una solución más innovadora/adaptativa dependiendo de cómo se solicitó y de lo que necesita el interlocutor.
Pero, ¿qué significa todo esto para el futuro del LLM?
En pocas palabras, si no tomamos en cuenta la diversidad cognitiva, estamos socavando el poder del LLM. Si queremos obtener soluciones mejores, más relevantes y más productivas de la IA, y obtenerlas de manera más eficiente, la próxima generación de tecnología debe tener incorporada una comprensión de la diversidad cognitiva.
En la vida real, rara vez iniciamos una pregunta explicando en detalle cómo pensamos o abordamos los problemas, pero sabemos cuándo una respuesta coincide o no con nuestra forma de pensar y si estamos buscando ese tipo de respuesta. Si LLM pudiera darnos la misma gama de posibles respuestas que representan el espectro de estilos cognitivos, eliminaría el ciclo interminable de indicaciones hasta que topamos con la respuesta que necesitamos.
Las investigaciones muestran que al integrar la comprensión de los estilos cognitivos humanos en la tecnología, nos estamos dando a nosotros mismos y a nuestras herramientas de IA una ventaja. A partir de ahí, es probable que se disparen las oportunidades de lograr mejores índices de productividad, eficiencia y satisfacción del usuario.
Contamos con los mejores modelos de lenguaje grande (LLM) para codificación.
