IA multimodal, privacidad y manejo de archivos

Un modelo multimodal acepta o produce más de una modalidad, como texto, imagen, audio o video. La integración sigue siendo una canalización de datos: validar, transformar, enviar, interpretar y almacenar con una política explícita.

Canalización segura

cliente → autorización → límite de tamaño → validar tipo real
        → escanear/normalizar → almacenamiento temporal
        → proveedor de IA → validar salida → eliminar o conservar según política

La extensión .png o el header enviado por el navegador no demuestran el tipo real. Inspecciona la firma del archivo, limita dimensiones y duración y evita procesadores inseguros. Un PDF puede contener muchas páginas; un audio puede ser largo aunque pese poco.

Casos frecuentes

• Visión: extracción de datos, clasificación o descripción. No presupongas que el modelo lee texto pequeño o cuenta objetos con precisión absoluta.
• Audio: transcripción, detección de idioma o respuesta por voz. Conserva timestamps si se necesita revisar evidencia.
• Documentos: extracción y preguntas. Mantén página, sección y fuente para poder citar.
• Generación: imagen o audio. Revisa derechos, consentimiento, moderación y etiquetado según el producto.

Privacidad y retención

Antes de enviar un archivo a un proveedor, documenta:

• qué datos contiene y si son sensibles;
• base legal o consentimiento aplicable;
• región, retención y uso de datos del proveedor;
• quién puede acceder al resultado;
• cuándo se eliminan original, derivados y logs.

Aplica minimización de datos: recorta la región de una imagen, elimina metadatos EXIF, anonimiza identificadores o transcribe localmente si no se necesita enviar el audio completo.

Verificar la salida

La extracción estructurada debe incluir esquema, confianza o evidencia y una ruta de revisión. Para decisiones de alto impacto, el resultado del modelo es una propuesta, no la autoridad final.

const Invoice = z.object({
  vendor: z.string(),
  total: z.number().nonnegative(),
  currency: z.string().length(3),
  sourcePage: z.number().int().positive()
})

Referencias

• OpenAI: visión
• OpenAI: speech to text