WEBVTT

1
00:00:07.200 --> 00:00:09.680
Bueno, lo primero presentarme porque algo
mejor.

2
00:00:09.680 --> 00:00:11.880


3
00:00:11.880 --> 00:00:14.880
Soy Fernando Pescador,
vicerrector para la Universidad Digital

4
00:00:16.040 --> 00:00:20.040
y dentro de mi vicerrectorado
pues trabaja conmigo

5
00:00:20.040 --> 00:00:23.560
Jessica Díaz, profesora de la Escuela de
Sistemas Informáticos,

6
00:00:23.920 --> 00:00:27.280
que desde la Oficina de Apoyo al Docente
es la

7
00:00:27.320 --> 00:00:32.400
que realmente han organizado todo
todas estas serie de conferencias.

8
00:00:33.000 --> 00:00:37.000
Y bueno, pues nada, agradecerle a ella,
a Sonia y a todo el equipo,

9
00:00:37.040 --> 00:00:40.920
por el mogollón de trabajo que han tenido
que hacer para poder poner

10
00:00:40.920 --> 00:00:45.680
en marcha esta iniciativa,
a diferencia de lo que hicimos en otoño,

11
00:00:46.080 --> 00:00:50.280
digamos en este primavera,
hemos hecho unas conferencias un poco más,

12
00:00:50.920 --> 00:00:53.520
eh, digamos orientadas
a diferentes colectivos.

13
00:00:53.520 --> 00:00:58.280
Hay algunas empresas para PTGAS, para
investigadores, otras para profesores.

14
00:00:58.320 --> 00:01:03.040
¿En cualquier caso, si la temática
os interesa, está todo está abierto a

15
00:01:03.280 --> 00:01:06.280
que os apuntéis a cualquiera de ellas

16
00:01:06.280 --> 00:01:07.920
Las hemos aumentado un poco.

17
00:01:07.920 --> 00:01:10.800
Pues para que también veáis hacia
dónde, hacia

18
00:01:10.800 --> 00:01:13.800
dónde van o hacia dónde están orientadas
cada una de ellas.

19
00:01:14.240 --> 00:01:19.160
Los ponentes de hoy son Javier
y Fernando, que tienen la cámara activada.

20
00:01:19.200 --> 00:01:21.160
¡Hola chicos! ¿Qué tal?

21
00:01:21.160 --> 00:01:24.960
Profesores, Creo que los dos de la Escuela
de Sistemas Informáticos.

22
00:01:25.200 --> 00:01:27.600
No uno de una informática.

23
00:01:27.600 --> 00:01:29.280
Vale, pues perdonad.

24
00:01:29.280 --> 00:01:31.000
Bueno, ahora
os presentáis de todas maneras.

25
00:01:31.000 --> 00:01:31.640
Y nos importa.

26
00:01:31.640 --> 00:01:33.440
Disculpad, que os.

27
00:01:33.440 --> 00:01:36.440
Os he metido en la escuela incorrecta.

28
00:01:36.520 --> 00:01:37.960


29
00:01:37.960 --> 00:01:42.200
Pues como sabéis, el título de hoy
es un poco una presentación general

30
00:01:42.200 --> 00:01:46.400
y algunos conceptos generales de de
de inteligencia artificial.

31
00:01:46.560 --> 00:01:51.560
Y bueno, la ronda esta de de conferencias
tiene un poco como objetivo ir

32
00:01:52.800 --> 00:01:55.600
evangelizando un poco en la comunidad

33
00:01:55.600 --> 00:02:00.640
con idea de que ya en próximos cursos,
próximos eventos

34
00:02:00.680 --> 00:02:04.080
pues ya demos unas formaciones
un poco más completas, más regladas.

35
00:02:04.120 --> 00:02:09.160
Pero bueno, de momento este es un formato
que podemos organizar de forma ágil

36
00:02:09.440 --> 00:02:12.800
y que la edición anterior
que hicimos en otoño,

37
00:02:12.800 --> 00:02:15.440
pues la verdad es
que hemos recibido muy buenos comentarios

38
00:02:15.440 --> 00:02:18.440
y por eso nos hemos animado
a hacer una segunda edición,

39
00:02:18.680 --> 00:02:20.560
así que yo no me entretengo más.

40
00:02:20.560 --> 00:02:23.680
Javier Fernando, no sé cómo tenéis
organizada la presentación,

41
00:02:23.720 --> 00:02:26.720
pero todo vuestro vale.

42
00:02:27.280 --> 00:02:28.320
No he comentado una cosa.

43
00:02:28.320 --> 00:02:30.800
Como somos un montón ahora mismo.

44
00:02:30.800 --> 00:02:35.480
133 Bueno, nos
nos alegra muchísimo que haya tanta gente.

45
00:02:35.480 --> 00:02:38.920
¿Es un lujazo
tener a tanta gente online, eh?

46
00:02:39.640 --> 00:02:41.600
Para evitar interrupciones y demás.

47
00:02:41.600 --> 00:02:46.000
¿Pues en principio, como sea,
quitamos los micrófonos

48
00:02:46.240 --> 00:02:49.520
y si hay alguna cuestión,
digamos estamos pendientes del chat

49
00:02:49.520 --> 00:02:52.520
y nos la vais poniendo por el chat,
que es más fácil, vale?

50
00:02:52.640 --> 00:02:56.600
Así que Javier, Fernando ahora sí,
ya, definitivamente os paso la palabra.

51
00:02:57.680 --> 00:02:59.080
Muchas gracias Fernando.

52
00:02:59.080 --> 00:03:02.640
Arranco yo y deberías
estar todos viendo mi mi pantalla.

53
00:03:02.880 --> 00:03:03.560
Creo que sí.

54
00:03:03.560 --> 00:03:04.520
Vale.

55
00:03:04.520 --> 00:03:07.160
Bueno, pues yo soy Fernando Ortega.

56
00:03:07.160 --> 00:03:08.200
¿Vale?

57
00:03:08.200 --> 00:03:10.120
No confundir con Fernando Pescador.
Estamos ahí.

58
00:03:10.120 --> 00:03:14.280
Dos Fernando Y para no tener líos tenéis
aquí también mi correo electrónico.

59
00:03:14.280 --> 00:03:15.920
Vale Fernando Ortega.

60
00:03:15.920 --> 00:03:18.640
El punto es por
si quisieras hacerme cualquier pregunta

61
00:03:18.640 --> 00:03:20.240
posterior, lo que fuera.

62
00:03:20.240 --> 00:03:21.240
Y voy a dar 1/1

63
00:03:21.240 --> 00:03:24.680
de esta charla de iniciación
a la inteligencia artificial generativa.

64
00:03:24.680 --> 00:03:28.080
1/2, la de la Javier,
la mía, es un poquito más a nivel teórico.

65
00:03:28.080 --> 00:03:30.520
Vale que entendáis cuáles
son los fundamentos que hay detrás

66
00:03:30.520 --> 00:03:34.160
de esos grandes modelos de lenguaje
que hoy en día utilizamos todos y Javier

67
00:03:34.160 --> 00:03:37.960
dará una parte un poquito más aplicada,
entendidos a estos conceptos previos.

68
00:03:38.040 --> 00:03:39.640
Vale, es una charla de una hora.

69
00:03:39.640 --> 00:03:42.400
Os lo voy a contar para que tengáis
la idea general de cómo funciona esto.

70
00:03:42.400 --> 00:03:45.080
Aunque es verdad que los mecanismos
que hay detrás para entenderlos bien,

71
00:03:45.080 --> 00:03:46.480
pues en un poquito más complejos.

72
00:03:46.480 --> 00:03:50.280
Pero vamos, no tengáis miedo en preguntar
cualquier cosa y os ayudo en lo que sea.

73
00:03:51.040 --> 00:03:54.480
Entonces, lo primero, vamos a hablar de
qué es la inteligencia artificial,

74
00:03:54.520 --> 00:03:56.200
más a modo filosófico.

75
00:03:56.200 --> 00:03:59.200
Vale que tenéis unas definiciones
un poquito largas

76
00:03:59.200 --> 00:04:02.560
y él hace resaltado algunas palabras
que considero importantes.

77
00:04:02.600 --> 00:04:04.720
Vale, es una rama de la informática.

78
00:04:04.720 --> 00:04:05.680
Esto se puede realizar

79
00:04:05.680 --> 00:04:08.280
a raíz de la informática,
aunque no es una disciplina

80
00:04:08.280 --> 00:04:11.400
única de la informática,
que hay muchas matemáticas metidas

81
00:04:11.440 --> 00:04:13.960
y la inteligencia artificial
sin matemáticas no podría existir.

82
00:04:13.960 --> 00:04:14.640
Y luego

83
00:04:14.640 --> 00:04:19.600
también están entrando otros factores
como valores éticos y cosas por el estilo

84
00:04:19.600 --> 00:04:22.040
que hay que valorarlos dentro de lo que es
la inteligencia artificial.

85
00:04:22.040 --> 00:04:25.000
Pero la potencia
realmente que esto empieza a funcionar

86
00:04:25.000 --> 00:04:30.000
ha sido la informática, pues nos quedamos
con con esa tribu de gran creación

87
00:04:30.000 --> 00:04:33.040
que hemos hecho entre todos los
que trabajamos en informática

88
00:04:33.800 --> 00:04:37.400
y lo que buscamos básicamente
es imitar la inteligencia humana.

89
00:04:37.440 --> 00:04:38.960
Queremos una máquina que sea capaz

90
00:04:38.960 --> 00:04:42.640
de imitar lo que hacen los humanos
y de ahí el término de inteligente.

91
00:04:42.800 --> 00:04:45.920
Para ello la silla
lo que tienen que hacer es aprender.

92
00:04:45.960 --> 00:04:48.680
Ahora entenderemos
qué es esto de aprender artificial.

93
00:04:48.680 --> 00:04:52.240
No es lo mismo que el aprendizaje humano,
pero bueno, como queremos

94
00:04:52.640 --> 00:04:55.720
darle publicidad,
vale hacer que esto se venda muy bien.

95
00:04:55.720 --> 00:04:57.040
Decimos que la inteligencia artificial

96
00:04:57.040 --> 00:05:00.440
es aprenden a partir de la experiencia
que han ido observando.

97
00:05:00.880 --> 00:05:03.040
Al final de todo,
la inteligencia artificial

98
00:05:03.040 --> 00:05:04.440
se basa en una serie de algoritmos

99
00:05:04.440 --> 00:05:06.400
y unas reglas matemáticas
que son los que le permiten

100
00:05:06.400 --> 00:05:10.000
luego poder funcionar, como veremos
en las siguientes diapositivas.

101
00:05:10.560 --> 00:05:13.600
¿Cómo ha ido evolucionando la inteligencia
artificial a lo largo de la historia?

102
00:05:13.640 --> 00:05:17.760
¿Bueno, pues lo primero que vino ya
cuando empezaba la informática

103
00:05:17.760 --> 00:05:20.920
es por qué si tenemos ordenadores
no conseguimos hacer también

104
00:05:20.960 --> 00:05:22.320
máquinas inteligentes?

105
00:05:22.320 --> 00:05:23.960
¿Con esta idea en la cabeza?

106
00:05:23.960 --> 00:05:27.000
Alan Turing,
uno de los padres de la informática,

107
00:05:27.040 --> 00:05:30.200
propuso lo que se conocía
como el Test de Turing, año 1950.

108
00:05:30.200 --> 00:05:32.880
Fijaros si hace tiempo
que ya se habla de este concepto.

109
00:05:32.880 --> 00:05:36.640
El test de Turing
era una idea en la cual una persona tenía

110
00:05:36.640 --> 00:05:40.800
que interactuar con un humano
y una máquina a través de un teclado,

111
00:05:40.840 --> 00:05:41.560
una pantalla

112
00:05:41.560 --> 00:05:43.800
y si se decía
que no era capaz de distinguir

113
00:05:43.800 --> 00:05:45.520
que era el humano y quién era la máquina,

114
00:05:45.520 --> 00:05:48.520
pues habría pasado esa máquina,
habría pasado el test de Turing.

115
00:05:48.720 --> 00:05:52.960
Hoy en día, con los modelos de lenguaje
decimos que lo podemos tener resuelto,

116
00:05:53.000 --> 00:05:56.280
lo cual no quiere decir
que realmente la máquina sea inteligente

117
00:05:56.280 --> 00:05:59.280
como tal, o sea, para darle inteligencia,
pues harían falta muchas más cosas.

118
00:05:59.280 --> 00:06:01.560
Pero bueno,
este primer concepto que definió

119
00:06:01.560 --> 00:06:05.160
Turing es el que se basaban para crear
las primeras inteligencias artificiales.

120
00:06:05.880 --> 00:06:09.760
El término de inteligencia artificial
se acuñó por primera vez en el año 1956

121
00:06:09.760 --> 00:06:13.960
en la conferencia de Dartmouth,
donde un grupo de personas de referencia

122
00:06:13.960 --> 00:06:17.960
a la informática se reunió para hablar de
qué necesitarían las máquinas

123
00:06:17.960 --> 00:06:19.000
para ser inteligentes.

124
00:06:19.000 --> 00:06:22.000
Entonces ahí empezó
el término a popularizarse.

125
00:06:22.600 --> 00:06:24.800
A partir de ahí
nos vamos a la década de los 80,

126
00:06:24.800 --> 00:06:28.600
cuando surge las redes de neuronas, redes
neuronales artificiales

127
00:06:28.600 --> 00:06:31.240
que hoy en día están tan de moda.
Fijaros que no es una tecnología moderna.

128
00:06:31.240 --> 00:06:35.280
Luego veremos por qué ahora
están más de moda, tienen más de 41

129
00:06:35.280 --> 00:06:40.520
antigüedad y básicamente
se quiso hacer un modelo matemático

130
00:06:40.520 --> 00:06:41.000
que mirara

131
00:06:41.000 --> 00:06:44.880
cómo funcionaba el cerebro humano
A través de las conexiones de de neuronas

132
00:06:44.920 --> 00:06:48.640
empezaron a aparecer los primeros
algoritmos de aprendizaje supervisado

133
00:06:48.680 --> 00:06:52.520
y bueno, pues empezamos a conseguir
hacer que las máquinas fueran

134
00:06:52.560 --> 00:06:53.640
semi inteligentes.

135
00:06:53.640 --> 00:06:56.680
Pensad de todos modos en la potencia
de cómputo que podíamos tener los 80,

136
00:06:56.720 --> 00:06:58.840
pues era muy limitada
la cantidad de datos que teníamos

137
00:06:58.840 --> 00:07:03.120
era muy limitado y eso hacía que las redes
tampoco se popularizaron demasiado.

138
00:07:03.320 --> 00:07:05.360
Obviamente todo esto siguió para adelante.

139
00:07:05.360 --> 00:07:06.560
En los años 2000

140
00:07:06.560 --> 00:07:10.320
ya Internet era una herramienta de uso
común para todo el mundo.

141
00:07:10.400 --> 00:07:12.320
Eso propiciaba
que hubiera más herramientas,

142
00:07:12.320 --> 00:07:15.680
hubiera más datos, hubiera más usuarios
y empezaron a aparecer algoritmos

143
00:07:15.680 --> 00:07:20.160
de aprendizaje automático
o machine learning y diferentes

144
00:07:20.160 --> 00:07:24.200
modelos de predicción de datos, motores
de recomendación, análisis predictivo.

145
00:07:24.360 --> 00:07:27.480
Digamos que el utilizar los datos
para que las máquinas aprendieran

146
00:07:27.480 --> 00:07:30.400
se convirtió en una moda,
en algo que se empezó a utilizar.

147
00:07:30.400 --> 00:07:32.440
Y a partir de ahí
sí que la inteligencia artificial empezó

148
00:07:32.440 --> 00:07:34.920
a despegar
realmente hacia usos comerciales

149
00:07:34.920 --> 00:07:38.120
y que llegaran a cualquier persona
que la que quisiera utilizar.

150
00:07:38.560 --> 00:07:41.680
A partir de los años 2010, pues imaginad

151
00:07:41.680 --> 00:07:44.960
esa década
ya es que Internet se popularizó a tope.

152
00:07:45.000 --> 00:07:48.040
Teníamos un montón de dispositivos móviles
inclusiva,

153
00:07:48.040 --> 00:07:51.920
teléfonos móviles con conexión a internet,
muchísimos datos.

154
00:07:51.960 --> 00:07:56.160
Aquí las redes neuronales vuelven a surgir
30 años después de que aparecieran

155
00:07:56.200 --> 00:08:00.160
gracias a unas redes
que se llamaban redes convolucionales.

156
00:08:00.200 --> 00:08:03.760
Si habéis ido siguiendo más o menos
la evolución, seguro que visteis

157
00:08:03.760 --> 00:08:06.840
esas primeras redes que se encargaban
de hacer filtros a las imágenes.

158
00:08:06.840 --> 00:08:10.000
Quiero que me pintes como si
fuera un cuadro de Van Gogh o del artista

159
00:08:10.000 --> 00:08:10.640
que fuera.

160
00:08:10.640 --> 00:08:13.600
Esto lo hacían gracias a redes
convolucionales, por supuesto.

161
00:08:13.600 --> 00:08:17.760
Están años luz de los modelos que tenemos
actualmente. Años luz para para mal

162
00:08:18.040 --> 00:08:20.120
eran mucho peores,
pero fueron las primeras

163
00:08:20.120 --> 00:08:24.320
que empezaron a poder tratar con imágenes,
a reconocer objetos dentro de imágenes

164
00:08:24.360 --> 00:08:27.280
y a poner a redes
en una posición dominante

165
00:08:27.280 --> 00:08:29.880
respecto a otro tipo de algoritmos
que antes no lo tenían.

166
00:08:29.880 --> 00:08:32.840
También aparecieron las redes recurrentes,
que fueron las primeras que empezaba

167
00:08:32.840 --> 00:08:34.360
a trabajar con secuencias

168
00:08:34.360 --> 00:08:37.240
principalmente de palabras
en el dominio que estamos trabajando

169
00:08:37.240 --> 00:08:40.720
ahora, en el que veía las frases
como una secuencia de palabras

170
00:08:40.720 --> 00:08:44.320
y la red está pensada para trabajar
sobre esas secuencias de palabras.

171
00:08:45.000 --> 00:08:49.000
Como hito de esta década,
tenemos que el algoritmo de

172
00:08:49.640 --> 00:08:52.840
Deep Mind de AlphaGo
vale, que es un algoritmo que sacó Google,

173
00:08:52.880 --> 00:08:57.360
fue el primero que logró
vencer al campeón mundial del Go,

174
00:08:57.400 --> 00:09:00.760
que es un juego que tienes que ir,
un juego de Asia

175
00:09:00.760 --> 00:09:03.880
que tiene muchísima complejidad,
de muchísimas combinaciones para hacerlo.

176
00:09:03.880 --> 00:09:05.520
Y entonces consiguió un algoritmo que no

177
00:09:05.520 --> 00:09:07.640
por fuerza bruta
conseguía ganar a los humanos.

178
00:09:07.640 --> 00:09:11.880
Y esta máquina fue la primera
que consiguió derrotar A1A1 campeón

179
00:09:12.280 --> 00:09:13.320
en una partida.

180
00:09:13.320 --> 00:09:15.600
Parece que el resultado
fue a cinco partidas y ganó cuatro uno

181
00:09:15.600 --> 00:09:16.600
la inteligencia artificial.

182
00:09:16.600 --> 00:09:19.840
Entonces la iba, iba,
iba dando pequeños pasitos

183
00:09:19.880 --> 00:09:22.920
para convertirse en una herramienta
que realmente podíamos utilizar.

184
00:09:23.120 --> 00:09:27.040
Y ahora estamos
ya en 2020, avanzando en los 2020.

185
00:09:27.040 --> 00:09:29.560
Y todas estas herramientas
creo que son conocidas

186
00:09:29.560 --> 00:09:33.680
para todos los que estáis en esta charla,
seáis informáticos o no,

187
00:09:33.680 --> 00:09:38.240
porque todo el mundo ya oído hablar de GPT
y seguramente haya utilizado y GPT

188
00:09:38.240 --> 00:09:42.800
tres utilizado Gemini, habréis utilizado
CoPilot, Cloud, Llama o cualquier otro.

189
00:09:42.840 --> 00:09:47.120
Esto se ha convertido ya en una
herramienta de uso de dominio público.

190
00:09:47.120 --> 00:09:49.120
Vale para todo el mundo.
Cualquier persona la tiene.

191
00:09:49.120 --> 00:09:52.040
Hoy lo tenéis
disponible en ordenadores, en móviles.

192
00:09:52.040 --> 00:09:55.920
Todo está conectado con la IA y bueno,
pues han convertido en herramientas

193
00:09:55.960 --> 00:09:59.360
extremadamente útiles tanto para
la industria como para nuestro día a día.

194
00:09:59.360 --> 00:10:02.320
¿Entonces
estamos en el boom final o final?

195
00:10:02.320 --> 00:10:04.520
Bueno, ya veremos dónde lleva esto
de inteligencia artificial,

196
00:10:04.520 --> 00:10:07.720
que se ha integrado completamente
en las rutinas de las personas.

197
00:10:08.880 --> 00:10:11.640
¿Visto este pequeño
repaso, es la pregunta que nos cabe

198
00:10:11.640 --> 00:10:13.720
es cómo funciona
realmente Inteligencia artificial?

199
00:10:13.720 --> 00:10:14.240
Decir que esto

200
00:10:14.240 --> 00:10:19.080
Nosotros nos metemos en GPT, en Gmail
veremos una frase y nos contesta Entonces.

201
00:10:19.080 --> 00:10:23.000
Pues vamos a ver si puedo explicar
en media horita más o menos cómo funciona

202
00:10:23.000 --> 00:10:24.040
esto, que al menos tengáis

203
00:10:24.040 --> 00:10:27.920
una idea de cómo funciona y luego ya
el que quiera indagar más o me pregunta

204
00:10:27.920 --> 00:10:30.920
o vais mirando por ahí
que hay un montón de información,

205
00:10:30.920 --> 00:10:34.320
cursos y de formaciones
que podéis hacer en este ámbito.

206
00:10:35.000 --> 00:10:37.880
Entonces, lo primero que tenemos que hacer
es cuáles son los

207
00:10:37.880 --> 00:10:41.800
los actores que intervienen para hacer
que una inteligencia artificial funcione.

208
00:10:42.160 --> 00:10:44.400
Lo primero que tenemos son los datos.

209
00:10:44.400 --> 00:10:46.880
La inteligencia artificial
va a aprender a partir de datos

210
00:10:46.880 --> 00:10:48.040
y para aprender a partir de datos

211
00:10:48.040 --> 00:10:51.480
necesitamos muchos, muchos,
muchos datos sobre los que aprender.

212
00:10:51.840 --> 00:10:55.640
Gracias a que las últimas décadas
cada vez tenemos más datos

213
00:10:55.640 --> 00:10:57.840
porque cada vez
estamos más conectados a Internet,

214
00:10:57.840 --> 00:11:00.160
pues conseguimos entrenar,
mejorar las máquinas.

215
00:11:00.160 --> 00:11:03.320
Las máquinas lo único que hacen es
van a repetir lo que ven en los datos.

216
00:11:03.360 --> 00:11:06.400
Lo que pasa es que los volúmenes de datos
son tan grandes que nosotros no

217
00:11:06.400 --> 00:11:09.240
somos capaces de programar eso,
sino que le dejamos a la máquina

218
00:11:09.240 --> 00:11:11.400
que se ponga leer
datos a leer datos o leer datos

219
00:11:11.400 --> 00:11:15.200
y encuentre patrones que que hay
por esos datos para poder replicarlos.

220
00:11:15.240 --> 00:11:17.160
Así que necesitamos de datos
para poder funcionar.

221
00:11:17.160 --> 00:11:21.080
Y como podéis imaginar, cuanto mejor
sea los datos, mejor aprenderá la IA.

222
00:11:21.120 --> 00:11:23.160
Y aquí vendrá
uno de los grandes problemas que tenemos

223
00:11:23.160 --> 00:11:26.120
con las guías,
que comentaré un poquito más adelante.

224
00:11:26.120 --> 00:11:29.360
Luego también necesitamos algoritmos,
necesitamos algoritmos que sean capaces

225
00:11:29.360 --> 00:11:34.640
de leer estos datos, de interpretarlos
y de sacarles provecho.

226
00:11:34.720 --> 00:11:37.720
Existen diferentes formas de entrenar
y redes neuronales,

227
00:11:37.720 --> 00:11:40.720
una de ellas dentro de renovables
tenemos un montón de familias de,

228
00:11:41.200 --> 00:11:44.000
como comentaba antes, redes
convolucionales, redes recurrentes

229
00:11:44.000 --> 00:11:46.680
o las arquitecturas de Transformers,
que os contaré más adelante.

230
00:11:46.680 --> 00:11:48.800
Pero hay muchos otros algoritmos
que funcionan aquí.

231
00:11:48.800 --> 00:11:52.600
Algo más clásicos de cosas tan simples
como un modelo de regresión

232
00:11:52.640 --> 00:11:56.520
que muchos habréis trabajado
o sistemas de clasificación más complejos

233
00:11:56.520 --> 00:11:59.800
como Random Forest
Bus o sistemas de aprendizaje

234
00:12:00.080 --> 00:12:03.080
no supervisado o clustering,
o cualquier otra cosa.

235
00:12:03.120 --> 00:12:05.360
Vale, entonces tenemos
muchísimos algoritmos y también ha ido

236
00:12:05.360 --> 00:12:07.120
surgiendo nuevos algoritmos
que permiten hacer

237
00:12:07.120 --> 00:12:10.120
las cosas de forma diferente,
el aprendizaje

238
00:12:10.120 --> 00:12:13.360
a partir de datos de forma diferente
y por lo tanto tener resultados distintos.

239
00:12:13.600 --> 00:12:18.400
Y por supuesto, necesitamos este,
esta pauta que es la potencia de cómputo.

240
00:12:18.560 --> 00:12:20.440
Si tenemos muchos datos

241
00:12:20.440 --> 00:12:23.480
y el algoritmo, por muy eficiente
que sea, va a tardar mucho tiempo

242
00:12:23.520 --> 00:12:26.360
y si tarda mucho tiempo,
nosotros queremos resultados para hoy.

243
00:12:26.360 --> 00:12:29.160
No nos vale lanzarlo y decir bueno,
yo lo pongo a ejecutar y en diez años

244
00:12:29.160 --> 00:12:30.320
me das un resultado.

245
00:12:30.320 --> 00:12:34.720
Eso no sería válido hoy en día
y por lo tanto necesitamos herramientas

246
00:12:35.520 --> 00:12:38.000
hardware
que nos permitan ejecutar estos algoritmos

247
00:12:38.000 --> 00:12:41.680
sobre esos datos
en un tiempo razonable y razonable.

248
00:12:41.680 --> 00:12:41.880
Bueno,

249
00:12:41.880 --> 00:12:45.600
pues pueden ser días, semanas, meses,
según el objetivo que queramos conocer.

250
00:12:45.720 --> 00:12:46.640
Seguro que también abrir.

251
00:12:46.640 --> 00:12:49.600
Leído mucho sobre el tema de
consumo energético, cómo están

252
00:12:49.600 --> 00:12:52.720
los grandes centros de datos,
los precios del hardware derivados

253
00:12:52.720 --> 00:12:56.720
del aumento de memoria RAM, GPUs, CPUs.

254
00:12:56.760 --> 00:13:00.280
Bueno, pues estamos ahora
requiriendo tanta potencia de cómputo

255
00:13:00.280 --> 00:13:04.120
que básicamente escasea
los recursos hardware, escasea la energía.

256
00:13:04.120 --> 00:13:05.760
Vamos a ponerlo
ahí un poco entre comillas.

257
00:13:05.760 --> 00:13:08.520
Tampoco que estemos teniendo
que apagar las luces, pero es verdad

258
00:13:08.520 --> 00:13:11.000
que esto se empieza a poner en un problema
porque los algoritmos están

259
00:13:11.000 --> 00:13:14.800
continuamente ejecutándose, ejecutándose
y eso requiere mucha potencia.

260
00:13:15.400 --> 00:13:19.240
La IA no habría podido aparecer para
el público sin ninguna de las tres patas.

261
00:13:19.240 --> 00:13:22.400
Vale, si no hubiéramos tenido suficientes
datos derivados de Internet

262
00:13:23.040 --> 00:13:25.600
que nos hubieran permitido
entrenar algoritmos que han ido

263
00:13:25.600 --> 00:13:26.800
evolucionando los años

264
00:13:26.800 --> 00:13:29.120
y no hubiéramos tenido un hardware
en el que hacer que estos algoritmos,

265
00:13:29.120 --> 00:13:31.040
la primera de esos datos,
esto no habría podido funcionar.

266
00:13:31.040 --> 00:13:32.520
Si que necesitamos los tres, ir

267
00:13:32.520 --> 00:13:35.640
evolucionando poco a poco, los tres
para que la IA siga avanzando.

268
00:13:36.720 --> 00:13:37.840
El pipeline vale

269
00:13:37.840 --> 00:13:39.840
el flujo de trabajo que tenemos
cuando trabajamos

270
00:13:39.840 --> 00:13:40.400
con cualquier

271
00:13:40.400 --> 00:13:43.520
algoritmo de inteligencia artificial,
la inteligencia artificial generativa.

272
00:13:44.440 --> 00:13:47.520
Lo primero que habría que hacer
de nuevo, incido, es recopilar datos.

273
00:13:47.520 --> 00:13:51.280
Necesitamos un conjunto de datos
grande, heterogéneo, limpio,

274
00:13:51.320 --> 00:13:54.720
con un montón de propiedades
que todos entenderíais deseables.

275
00:13:54.920 --> 00:13:56.600
Y esa es la parte más costosa.

276
00:13:56.600 --> 00:13:59.760
Al final, lo más difícil
es esto porque requiere de muchísima

277
00:13:59.760 --> 00:14:02.480
intervención humana,
generalmente para crearlo.

278
00:14:02.480 --> 00:14:05.040
Una vez que los tengamos,
esos datos se procesan, se limpian,

279
00:14:05.040 --> 00:14:08.280
se les aplica una serie de reglas
para dejarlos válidos para la IA

280
00:14:08.360 --> 00:14:11.400
y a continuación se le pasan
a los algoritmos de aprendizaje.

281
00:14:11.440 --> 00:14:14.360
Elegimos. Bueno, pues esta tarea
la quiero resolver con este algoritmo.

282
00:14:14.360 --> 00:14:17.400
Voy a probar estos pocos
a ver cuál lo resuelve mejor.

283
00:14:17.560 --> 00:14:19.240
Eso nos lleva a una fase de optimización.

284
00:14:19.240 --> 00:14:21.760
Estos algoritmos
hay que ajustarlos un poquito.

285
00:14:21.760 --> 00:14:25.280
Tenemos una serie de configuraciones
que queremos, le podemos poner

286
00:14:25.280 --> 00:14:28.000
y tenemos que andar
jugando con métodos de prueba error

287
00:14:28.000 --> 00:14:31.280
más o menos complejos para ver cuál
es el que mejor hace la tarea

288
00:14:31.280 --> 00:14:33.000
para que queramos entrenar la IA.

289
00:14:33.000 --> 00:14:36.000
Una vez que lo tengamos tendríamos que

290
00:14:36.360 --> 00:14:39.600
explotarla, la
podríamos lanzar ya al mercado.

291
00:14:39.600 --> 00:14:43.880
La IA aprendido la ponemos en el servicio,
seguramente un servicio web

292
00:14:43.880 --> 00:14:45.880
o algún sitio en el que podamos ejecutarla

293
00:14:45.880 --> 00:14:48.000
y ya vamos
dejando que la IA vaya evolucionando.

294
00:14:48.000 --> 00:14:50.520
Vale, pero siempre es lo mismo
captar datos, entrenar la guía

295
00:14:50.520 --> 00:14:54.200
y luego ya la subimos a producción
para que podamos explotar sus resultados.

296
00:14:55.520 --> 00:14:56.320
¿Y entonces

297
00:14:56.320 --> 00:14:59.760
qué es esto
de que la inteligencia artificial aprende?

298
00:14:59.840 --> 00:15:01.720
Esto es lo que se dice los periódicos.

299
00:15:01.720 --> 00:15:02.720
La he aprendido.

300
00:15:02.720 --> 00:15:08.160
A En realidad no estamos aprendiendo
como concepto filosófico de aprendizaje,

301
00:15:08.200 --> 00:15:10.200
sea el que sea,
sino que lo único que estamos haciendo

302
00:15:10.200 --> 00:15:12.640
es optimizar una serie de funciones
matemáticas.

303
00:15:12.640 --> 00:15:15.360
Lo que hay detrás de la IA
en realidad son todo matemáticas.

304
00:15:15.360 --> 00:15:18.200
Y esto funciona porque las matemáticas
que tiene tras funcionan.

305
00:15:18.200 --> 00:15:21.200
Os lo voy a ilustrar esto
con un pequeño ejemplo.

306
00:15:21.480 --> 00:15:25.320
Uno de los problemas clásicos que tenemos
cuando empezamos a estudiar técnicamente

307
00:15:25.320 --> 00:15:28.680
gente artificial es queremos predecir
el precio de venta de una casa.

308
00:15:28.680 --> 00:15:29.480
¿Por qué hacemos esto?

309
00:15:29.480 --> 00:15:31.160
Porque nos interese mucho
crear inteligencia,

310
00:15:31.160 --> 00:15:33.960
que precisamente de casa
no, porque tenemos muchos datos que no es.

311
00:15:33.960 --> 00:15:36.000
Es muy fácil para vender casas.

312
00:15:36.000 --> 00:15:39.400
Imaginad que tenéis un portal inmobiliario
y tenéis una serie de casas

313
00:15:39.440 --> 00:15:41.000
con todas sus características.

314
00:15:41.000 --> 00:15:42.640
Entonces tenemos,

315
00:15:42.640 --> 00:15:45.200
por ejemplo, los metros cuadrados
que tiene la vivienda,

316
00:15:45.200 --> 00:15:49.120
cuántas habitaciones tienen, que año
fue construida, el tipo de vivienda,

317
00:15:49.120 --> 00:15:51.720
si tiene o no tiene
jardín, si tiene o no tiene terraza,

318
00:15:52.760 --> 00:15:54.600
un montón de características propias de la
casa.

319
00:15:54.600 --> 00:15:56.920
Esto ya los tenemos
o puramente los portales inmobiliarios.

320
00:15:56.920 --> 00:16:00.880
Tiene un pequeño formulario, una persona
a mano donde viene el gran coste.

321
00:16:00.920 --> 00:16:04.080
Ha ido rellenando todo eso, haciendo
visitas a las casas para tomar medidas

322
00:16:04.080 --> 00:16:05.320
para ver cómo son.

323
00:16:05.320 --> 00:16:08.600
Y a largo de los años
las casas se han ido vendiendo

324
00:16:08.760 --> 00:16:11.680
y comprando, vendiendo y comprando
y por lo tanto, lo que necesitamos

325
00:16:11.680 --> 00:16:14.120
para hacer que la IA aprenda
es a parte de estas características,

326
00:16:14.120 --> 00:16:17.880
son las ventas de casas de los últimos,
por ejemplo diez años.

327
00:16:17.880 --> 00:16:18.920
Vale este numerito

328
00:16:18.920 --> 00:16:20.160
lo puesto por poner alguno,

329
00:16:20.160 --> 00:16:22.920
pero necesitamos muchas ventas de casas
para que pueda aprender.

330
00:16:22.920 --> 00:16:25.960
Entonces estos son los datos que nosotros
hemos ido recopilando en este caso

331
00:16:25.960 --> 00:16:27.120
a lo largo de diez años

332
00:16:27.120 --> 00:16:30.520
y los tenemos todos guardados en algo
tan sencillo como una hoja de cálculo.

333
00:16:30.520 --> 00:16:31.400
Vale, tenemos una tabla

334
00:16:31.400 --> 00:16:35.560
con las características de cada
una de las casas y el precio de venta.

335
00:16:36.000 --> 00:16:38.720
¿Cómo podemos hacer una
IA para que aprenda de esto?

336
00:16:38.720 --> 00:16:42.320
Lo que tenemos que hacer es definirnos
un modelo que nos permita

337
00:16:42.320 --> 00:16:45.520
combinar todas estas características
para obtener el precio de venta.

338
00:16:45.760 --> 00:16:46.640
Y uno muy sencillito.

339
00:16:46.640 --> 00:16:47.880
Podría ser una cosa como esta.

340
00:16:47.880 --> 00:16:51.080
Vale, tenemos el precio de venta. Vale,

341
00:16:52.160 --> 00:16:55.360
es igual a, me cuenta.

342
00:16:55.360 --> 00:16:56.880
Creo que no veis el puntero del ratón

343
00:16:56.880 --> 00:16:59.880
porque yo voy señalando cosas
y ahora me parece que no lo veis.

344
00:17:00.040 --> 00:17:02.320
Si, si lo vemos,
si se ve a Vale, perfecto.

345
00:17:02.320 --> 00:17:05.800
Si vamos entonces
tenemos el precio de venta será igual.

346
00:17:05.800 --> 00:17:07.800
Vamos a poner por ejemplo un valor básico.

347
00:17:07.800 --> 00:17:11.280
Decimos una casa solo por el hecho
de ser casa la ponemos a 100.000 €

348
00:17:11.640 --> 00:17:15.760
por poner un precio y a continuación
decimos vamos a incrementar ese precio

349
00:17:15.760 --> 00:17:20.280
en 8.953 € por cada metro cuadrado
que tenga la vivienda.

350
00:17:20.280 --> 00:17:22.400
Estos números me los inventado,
vale completamente

351
00:17:22.400 --> 00:17:26.920
solo para ilustrar el ejemplo
y luego vamos a multiplicar ese precio.

352
00:17:27.000 --> 00:17:32.720
Vamos a sumar a ese precio 23.764 €
por el número de habitaciones que tenga,

353
00:17:32.760 --> 00:17:35.880
de tal forma que es una casa, tiene cinco
habitaciones, vale más que si tiene tres,

354
00:17:35.880 --> 00:17:39.440
que es una casa, tiene 200 metros
cuadrados, vale más que si tiene 60.

355
00:17:39.640 --> 00:17:42.480
Y haciendo esto podemos tener una función
que dormita, calcularlo.

356
00:17:42.480 --> 00:17:45.560
Ahora bien,
cómo yo soy capaz de definir este 100.000,

357
00:17:45.640 --> 00:17:50.160
este 8000, este 23.500 aquí puesto,
lo que vamos a hacer es que la red,

358
00:17:50.480 --> 00:17:54.720
la casa, la función matemática,
la IA tenga una serie de parámetros.

359
00:17:54.760 --> 00:17:56.760
Esto lo llamamos parámetros
que queremos aprender.

360
00:17:56.760 --> 00:18:00.800
¿Y esto mismo que tengo aquí arriba es
aquí puesto con palabras genéricas, vale?

361
00:18:00.800 --> 00:18:04.960
Con símbolos genéricos el precio de venta
será igual a un W0 que se corresponderá

362
00:18:04.960 --> 00:18:09.280
con el precio base de la casa, más
un modificador de la característica,

363
00:18:09.280 --> 00:18:12.080
una que aquí era metros cuadrados,
pero podría ser cualquier caso.

364
00:18:12.080 --> 00:18:15.640
Más más más más
Un modificador de la característica n

365
00:18:15.680 --> 00:18:18.200
que podría ser el tipo de
el tipo de vivienda.

366
00:18:18.200 --> 00:18:20.640
Incluso estos pesos podrían ser negativos.

367
00:18:20.640 --> 00:18:23.080
Por ejemplo, si la casa es un bajo,
a lo mejor le resta precio

368
00:18:23.080 --> 00:18:26.040
que si es una casa que está
en un ático o cosas por el estilo.

369
00:18:26.040 --> 00:18:30.200
Y lo que hacemos es
vamos a hacer que el sistema aprenda

370
00:18:30.200 --> 00:18:33.040
por sí solo y planteamos lo que decimos
que es un problema de optimización.

371
00:18:33.040 --> 00:18:37.560
Un problema de optimización es resolver
esta función matemática es Encuéntrame

372
00:18:37.680 --> 00:18:41.400
los valores de w0 w1 wn

373
00:18:42.360 --> 00:18:44.440
que hagan mínima la función.

374
00:18:44.440 --> 00:18:46.520
El precio que yo tenía por aquí aprendido.

375
00:18:46.520 --> 00:18:48.840
Por eso se llama aprendizaje supervisado,
porque yo

376
00:18:48.840 --> 00:18:50.720
ya conocía
los precios de venta de la casa,

377
00:18:50.720 --> 00:18:54.600
menos el precio que está
prediciendo mi sistema.

378
00:18:54.640 --> 00:18:56.760
Esto es justo
la predicción que está sacando

379
00:18:56.760 --> 00:18:58.760
y esto lo llevamos al cuadrado
para que si me equivoco

380
00:18:58.760 --> 00:19:00.080
por arriba o por abajo me da igual.

381
00:19:00.080 --> 00:19:01.360
Yo quiero saber que me he equivocado

382
00:19:01.360 --> 00:19:04.000
y no se me he equivocado en exceso
o en defecto.

383
00:19:04.000 --> 00:19:07.160
Si nosotros resolvemos esto, por ejemplo
con algoritmo descenso de gradiente,

384
00:19:07.160 --> 00:19:08.960
hay muchos algoritmos
que resuelve este problema.

385
00:19:08.960 --> 00:19:13.720
Obtenemos el conjunto de parámetros
w0 w1 wn que hacen mínima

386
00:19:13.720 --> 00:19:17.240
esta función, es decir,
conseguimos el sistema que predica

387
00:19:17.960 --> 00:19:20.960
los precios de venta de las casas
con el menor error posible.

388
00:19:20.960 --> 00:19:22.880
Y esto es cómo funciona toda la guía.

389
00:19:22.880 --> 00:19:24.040
Vale, ahora mismo bueno,

390
00:19:24.040 --> 00:19:27.920
toda alguna que no, pero el 99% de la guía
funciona de este modo.

391
00:19:27.960 --> 00:19:30.800
Simplemente planteamos
un problema de optimización.

392
00:19:30.800 --> 00:19:31.960
Una vez que hemos definido la función,

393
00:19:31.960 --> 00:19:34.200
le pasamos datos
y la guía se pone a aprender.

394
00:19:34.200 --> 00:19:37.920
Vais a ver que incluso los modelos
de Transformers

395
00:19:38.040 --> 00:19:39.960
que se utilizan actualmente funciona así,

396
00:19:39.960 --> 00:19:43.040
con sistemas mucho más complejos
que esta simple ecuación que tenemos.

397
00:19:43.080 --> 00:19:44.360
Pero este es el modelo más básico.

398
00:19:44.360 --> 00:19:47.480
Introduce un concepto importante
que es que la IA, como lo decía

399
00:19:47.480 --> 00:19:49.400
antes,
en realidad no está aprendiendo nada,

400
00:19:49.400 --> 00:19:50.160
no está aprendiendo

401
00:19:50.160 --> 00:19:52.760
en el sentido de aprender, está
optimizando unos numeritos

402
00:19:52.760 --> 00:19:54.760
de tal forma
que cuando llegue a una nueva casa, como

403
00:19:54.760 --> 00:19:58.080
yo conozco estos números,
le pongo en x1, x2, x3,

404
00:19:58.080 --> 00:20:00.040
xn las diferentes características
que tiene

405
00:20:00.040 --> 00:20:02.840
y me dice cuál es el precio
por el que debería venderse esa casa.

406
00:20:02.840 --> 00:20:04.920
Pues esto mismo se hace así para todo.

407
00:20:06.040 --> 00:20:09.280
Así que
la IA plantea dos grandes desafíos.

408
00:20:09.400 --> 00:20:13.040
Por un lado, tenéis que ser capaces
de formular el objetivo de aprendizaje.

409
00:20:13.040 --> 00:20:14.880
Formular esa ecuación
que yo os he puesto ahí

410
00:20:14.880 --> 00:20:16.960
era muy sencilla
porque era un problema muy sencillo.

411
00:20:16.960 --> 00:20:18.480
Pero si queréis hacer que el modelo

412
00:20:18.480 --> 00:20:20.960
se ponga a predecir texto,
a generar imágenes,

413
00:20:20.960 --> 00:20:23.560
pues ya el objetivo de aprendizaje
no es tan sencillo

414
00:20:23.560 --> 00:20:26.040
y una vez que lo tenéis tenéis
que resolver el problema de optimización,

415
00:20:26.040 --> 00:20:27.760
que en este caso,
como la funcionada sencilla,

416
00:20:27.760 --> 00:20:30.240
era fácil de resolver,
pero si el problema se complica,

417
00:20:30.240 --> 00:20:33.240
pues se nos hace un poquito más difícil.

418
00:20:33.960 --> 00:20:36.000
¿Y cómo encaja
las renovables en todo esto?

419
00:20:36.000 --> 00:20:37.720
Bueno, pues una red neuronal

420
00:20:37.720 --> 00:20:40.560
es una subrama
dentro de la inteligencia artificial.

421
00:20:40.560 --> 00:20:43.640
Dentro inteligencia artificial
tenemos los algoritmos de aprendizaje

422
00:20:43.640 --> 00:20:45.560
automático
llamados Machine learning inglés.

423
00:20:45.560 --> 00:20:48.640
Y dentro de dentro de esta familia
tenemos el Deep Learning,

424
00:20:48.800 --> 00:20:51.640
que es la rama que engloba
las redes neuronales artificiales.

425
00:20:53.280 --> 00:20:56.160
El Deep learning
tiene una serie de características.

426
00:20:56.160 --> 00:20:57.680
Vale, básicamente lo que hacemos

427
00:20:57.680 --> 00:21:02.040
es en lugar de resolver estas funciones
matemáticas puestas de forma muy manual,

428
00:21:02.040 --> 00:21:03.840
como hacemos
con algoritmo de machine learning,

429
00:21:03.840 --> 00:21:06.840
lo que hacemos es resolver el problema
de optimización por fuerza bruta.

430
00:21:06.840 --> 00:21:10.240
Es decir, en lugar de ajustar muy bien
los parámetros que yo creo que aprenda,

431
00:21:10.280 --> 00:21:13.600
le pongo muchísimos parámetros
a base de sumas, multiplicaciones

432
00:21:13.600 --> 00:21:16.600
y restas, y la red se dedica a aprender.

433
00:21:16.640 --> 00:21:19.360
Por lo listo con un pequeño ejemplo.

434
00:21:19.360 --> 00:21:21.440
El ejemplo anterior
de los precios de venta de las casas

435
00:21:21.440 --> 00:21:23.760
se puede representar
con un esquema de red neuronal

436
00:21:23.760 --> 00:21:26.400
que es exactamente igual que lo que
os he puesto antes.

437
00:21:26.400 --> 00:21:29.400
Fijaros que las redes neuronales,
lo que vamos a tener serie de neuronas.

438
00:21:29.440 --> 00:21:33.120
Generalmente decimos que tenemos unas
neuronas de entrada y neuronas de salida

439
00:21:33.240 --> 00:21:34.680
con el precio de venta de las casas.

440
00:21:34.680 --> 00:21:37.880
Las neuronas de entrada serán precisamente
las características de la casa.

441
00:21:37.960 --> 00:21:41.120
Como decía antes, los metros cuadrados,
el año de construcción,

442
00:21:41.160 --> 00:21:44.440
el número de habitaciones,
el tipo de vivienda y las neuronas.

443
00:21:44.480 --> 00:21:47.360
Lo que hacemos es conectarlas entre sí
unas con otras.

444
00:21:47.360 --> 00:21:49.480
En este caso
tenemos una sola neurona de salida,

445
00:21:49.480 --> 00:21:50.600
que es el precio de venta a la casa.

446
00:21:50.600 --> 00:21:52.240
Es una red muy muy sencillita

447
00:21:52.240 --> 00:21:55.200
y veremos que luego se van a ir
complicando mucho más

448
00:21:55.200 --> 00:21:58.800
La combinación de cómo obtengo
cuál es el valor del

449
00:21:59.000 --> 00:22:01.760
precio de venta de la casa,
es decir, cuál es la salida de esta.

450
00:22:01.760 --> 00:22:05.040
En respecto a las entradas,
se hace exactamente igual que antes.

451
00:22:05.040 --> 00:22:07.920
Escogemos 1W0,
que esto es lo que llamamos el

452
00:22:07.920 --> 00:22:11.360
vayas y a continuación
vamos multiplicando los pesos.

453
00:22:11.400 --> 00:22:14.440
Esto sería las conexiones entre neuronas
en las cuales van a tener

454
00:22:14.440 --> 00:22:17.920
una serie de pesos que son
w1, w2, w3 w cuatro

455
00:22:17.920 --> 00:22:21.920
wn igual que antes, que se multiplican
por la característica de entrada.

456
00:22:22.160 --> 00:22:24.920
Hacemos
ya digo exactamente que antes la precio

457
00:22:24.920 --> 00:22:29.440
y la predicción del precio de venta
es w0 más w1 por los metros cuadrados

458
00:22:29.440 --> 00:22:33.640
más wn por la característica xn le digo,
es exactamente igual.

459
00:22:33.680 --> 00:22:37.200
¿Qué es lo que cambia
el algoritmo de cómo entrenamos todo esto?

460
00:22:37.240 --> 00:22:41.160
En lugar de utilizar el descenso
de gradiente, utilizamos backpropagation

461
00:22:41.160 --> 00:22:43.240
que son muy similares,
en realidad son muy similares,

462
00:22:43.240 --> 00:22:45.320
pero bueno, le hemos cambiado un poquito
la forma.

463
00:22:45.320 --> 00:22:48.680
Este es un algoritmo optimización
en el cual lo que vamos haciendo es

464
00:22:48.760 --> 00:22:53.200
ir modificando iterativamente estos pesos
en función de cuánto se han equivocado.

465
00:22:53.240 --> 00:22:57.920
Si por ejemplo el precio de venta
se ha equivocado porque habíamos puesto

466
00:22:57.920 --> 00:23:00.240
que los metros cuadrados valieran más
que lo que tenían que hacer,

467
00:23:00.240 --> 00:23:02.840
vamos a sancionar mucho este peso
y lo vamos a reducir.

468
00:23:02.840 --> 00:23:05.360
Y si nos hemos quedado muy corto
lo vamos a aumentar mucho.

469
00:23:05.360 --> 00:23:08.360
Y el propio algoritmo,
a base de dar diferentes vueltas,

470
00:23:08.400 --> 00:23:11.160
lo que tenemos es que va aprendiendo,
va ajustando,

471
00:23:11.160 --> 00:23:14.400
va ajustando hasta conseguir minimizar la
función como la que teníamos antes.

472
00:23:14.400 --> 00:23:16.680
Vale que le llamamos función de pérdida.

473
00:23:16.680 --> 00:23:18.080
Aquí importante la red neuronal.

474
00:23:18.080 --> 00:23:20.520
Entramos en el número de parámetros
a aprender.

475
00:23:20.520 --> 00:23:24.760
Seguro que cuando veis el
las características de los LM

476
00:23:24.800 --> 00:23:28.000
dice el modelo
con 10 billones de parámetros.

477
00:23:28.040 --> 00:23:31.720
Bueno, pues en este caso es una red
tan tonta que tiene n más uno parámetros.

478
00:23:31.760 --> 00:23:33.320
Es decir,
que si tenemos las casas definidas

479
00:23:33.320 --> 00:23:37.080
por tres características, tenemos una red
con 11 parámetros a aprender.

480
00:23:37.080 --> 00:23:39.480
Compararlo con los
no sé cuántos billones que tiene ahora

481
00:23:39.480 --> 00:23:42.320
y ver la potencia que tiene una red
y la que tiene el M.

482
00:23:42.320 --> 00:23:45.320
Y luego también Esto nos permite,
aunque podemos imitar el modelo anterior,

483
00:23:45.320 --> 00:23:48.320
nos permite meter una cosa que llamamos
funciones de activación no lineales, que

484
00:23:48.320 --> 00:23:51.840
es que podemos cortar la propagación
de la señal entre diferentes neuronas.

485
00:23:51.840 --> 00:23:54.520
En este caso no tiene sentido,
pero cuando hace más compleja

486
00:23:54.520 --> 00:23:58.320
podemos hacer que solo se propaguen
señales cuando se saturen.

487
00:23:58.640 --> 00:24:01.560
Esto tiene sentido cuando pasamos a
redes neuronales profundas,

488
00:24:01.560 --> 00:24:04.240
que es exactamente lo que antes,
pero metiendo mucha más neuronas.

489
00:24:04.240 --> 00:24:05.920
Como decía antes,
lo que vamos a hacer es resolver

490
00:24:05.920 --> 00:24:09.800
las funciones matemáticas de forma
mucho más compleja.

491
00:24:09.840 --> 00:24:12.840
Fijaros la cantidad de primero
de parámetros que tenemos.

492
00:24:12.840 --> 00:24:17.240
Aquí tenemos la capa de entrada,
que son siete características, por ejemplo

493
00:24:17.240 --> 00:24:19.440
un parámetro de salida
que podrían ser varios,

494
00:24:19.440 --> 00:24:21.960
pero aquí en medio
tenemos un montón más de neuronas.

495
00:24:21.960 --> 00:24:24.520
Cada una de estas líneas grises
son parámetros

496
00:24:24.520 --> 00:24:28.480
aprender por la red antes
no pasado de n más uno.

497
00:24:28.520 --> 00:24:32.040
Aquí pues habría que multiplicar igual
son n al cubo o alguna cosa por el estilo.

498
00:24:32.240 --> 00:24:33.960
Tendríamos que ir viendo y calculando,

499
00:24:33.960 --> 00:24:37.040
porque luego es verdad que en este caso
tenemos conectado todo con todo

500
00:24:37.040 --> 00:24:40.960
y esas topologías de red, según
cómo pongamos las capas de una a otra,

501
00:24:41.000 --> 00:24:44.680
podemos ir jugando con ellas
para que no todo esté conectado con todo.

502
00:24:44.760 --> 00:24:48.440
Entonces, si nosotros vamos
añadiendo más y más y más y más neuronas,

503
00:24:48.440 --> 00:24:52.280
y más y más y más capas, y ponemos encima
función de activaciones no lineales,

504
00:24:52.280 --> 00:24:53.800
conseguimos que la red

505
00:24:53.800 --> 00:24:57.120
resuelva problemas más complejos
que los que hacía inicialmente.

506
00:24:57.320 --> 00:25:01.120
Y este es justo el secreto
a partir del cual funcionan los LLM. Es.

507
00:25:03.400 --> 00:25:05.000
Cómo llegamos al mes.

508
00:25:05.000 --> 00:25:10.000
En 2017, creo recordar, se publicó
un paper que se llamaba Atención

509
00:25:10.240 --> 00:25:13.240
o UNIT, que es el que cambió
el paradigma de cómo podíamos

510
00:25:13.240 --> 00:25:16.240
hacer que las redes neuronales
trabajara en contexto.

511
00:25:16.240 --> 00:25:19.240
Tenían muchísimos problemas
para trabajar con texto.

512
00:25:19.960 --> 00:25:20.640
¿Por qué?

513
00:25:20.640 --> 00:25:22.800
Porque teníamos que superar primero
la serie Desafíos.

514
00:25:22.800 --> 00:25:25.160
El primero es que

515
00:25:25.160 --> 00:25:28.040
las redes neuronales, como anteriormente,
el ejemplo anterior era

516
00:25:28.040 --> 00:25:29.920
muy sencillo porque trabajamos con números

517
00:25:29.920 --> 00:25:33.960
cuando he hecho el número de habitaciones
que tiene la casa, pues una, 234 o cinco,

518
00:25:33.960 --> 00:25:37.320
los metros cuadrados 60, 70, 80, 90.

519
00:25:37.360 --> 00:25:38.960
Eso es muy fácil de trabajar con números,

520
00:25:38.960 --> 00:25:41.000
porque luego lo voy a multiplicar
por una serie de pesos.

521
00:25:41.000 --> 00:25:44.520
Números por números más números,
más números nos da un número de salida,

522
00:25:44.560 --> 00:25:49.240
pero cuando trabajamos con palabras
las cosas se se complican porque yo

523
00:25:49.240 --> 00:25:53.280
ya no puedo multiplicar por, por ejemplo,
la palabra perro por un número,

524
00:25:53.400 --> 00:25:58.520
porque si multiplico 0,43 por perro,
pues no me queda absolutamente nada.

525
00:25:58.520 --> 00:26:00.840
Vale, entonces lo primero
que teníamos que hacer es

526
00:26:02.440 --> 00:26:02.840
tenemos que

527
00:26:02.840 --> 00:26:06.680
ser capaces de convertir las palabras
en números.

528
00:26:06.680 --> 00:26:09.400
Para ello
utilizaban en los primeros orígenes

529
00:26:09.400 --> 00:26:11.400
una codificación que se llamaba
Hot Encoding.

530
00:26:11.400 --> 00:26:15.800
Básicamente lo que hacemos es crearnos
una lista de números tan grande

531
00:26:15.800 --> 00:26:19.200
como el número de palabras que tengamos
y ponemos un uno.

532
00:26:19.240 --> 00:26:21.560
Si la palabra es la que es, o sea,

533
00:26:21.560 --> 00:26:24.560
la primera posición es la de perro,
la segunda la de gato, tercera manzana,

534
00:26:24.600 --> 00:26:27.680
la 4.ª la de pera y así,
en lugar de pasarle las palabras,

535
00:26:27.680 --> 00:26:31.480
le pasamos estos vector de entrada
y hacemos que la red aprenda.

536
00:26:31.600 --> 00:26:33.840
¿Esto presenta muchos problemas
porque el vocabulario aquí

537
00:26:33.840 --> 00:26:36.920
son cuatro palabras Cuántas palabras
tenemos en español

538
00:26:37.160 --> 00:26:38.640
o cuántas palabras en inglés?

539
00:26:38.640 --> 00:26:40.560
O si queremos hacer una red que entienda
varios idiomas.

540
00:26:40.560 --> 00:26:42.960
¿Cuántas hay en español
más inglés, más chino, más?

541
00:26:42.960 --> 00:26:46.440
Pues nos quedábamos tamaños gigantes
que eran inmanejables para las redes.

542
00:26:46.680 --> 00:26:51.160
Y encima bueno, pues estas posiciones,
esto al final son vectores.

543
00:26:51.160 --> 00:26:54.040
Estos vectores
no están, no guardan relaciones.

544
00:26:54.040 --> 00:26:55.320
O sea, que perro esté al lado de gato

545
00:26:55.320 --> 00:26:59.560
es meramente una casualidad, porque yo
he puesto el perro lado del gato,

546
00:26:59.560 --> 00:27:02.600
pero si hubiera permutado gato y manzana,
pues ya no estarían tan cerca.

547
00:27:02.640 --> 00:27:03.360
Vale, entonces

548
00:27:03.360 --> 00:27:06.720
presentaba muchísimos problemas y hacían
que las redes no funcionara muy bien.

549
00:27:06.720 --> 00:27:08.080
Pero bueno, el primer paso

550
00:27:08.080 --> 00:27:11.160
ya, ya somos capaces de introducirlo,
vamos a mejorar el sistema.

551
00:27:12.000 --> 00:27:15.000
Así que surgió el concepto del en

552
00:27:15.080 --> 00:27:19.400
el lugar de trabajar con esos vectores
que eran 1000,

553
00:27:19.440 --> 00:27:22.400
lo que hacemos es
vamos a proyectar nuestras palabras

554
00:27:22.400 --> 00:27:26.400
a un espacio n dimensional, es decir,
vamos a colocar todas las palabras

555
00:27:26.400 --> 00:27:30.040
en el espacio
y vamos a hacer que palabras que estén,

556
00:27:30.080 --> 00:27:32.280
que sean parecidas,
estén situadas cerquita,

557
00:27:32.280 --> 00:27:35.320
en espacio, De tal forma que si yo veo
palabras como vectores y dos palabras

558
00:27:35.640 --> 00:27:39.160
se parecen, sus vectores están
apuntando a posiciones muy parecidas.

559
00:27:39.200 --> 00:27:41.080
Esto es justo el embedding.

560
00:27:41.080 --> 00:27:44.840
Vale que son espacios semánticos
y se popularizaron el tema del

561
00:27:44.840 --> 00:27:46.440
procesamiento del lenguaje natural.

562
00:27:46.440 --> 00:27:49.520
Cuando surgió un algoritmo
que se llamaba World Tour Este.

563
00:27:49.520 --> 00:27:51.880
A lo mejor habéis
leído sobre él, básicamente World Tour,

564
00:27:51.880 --> 00:27:55.120
que lo que hicieron fue entrenar
una red neuronal para predecir dos cosas

565
00:27:55.960 --> 00:27:58.960
que que llamaban cebolla,
nos daban un contexto de palabras

566
00:27:58.960 --> 00:28:00.760
y teníamos que predecir
la palabra del medio.

567
00:28:00.760 --> 00:28:05.200
Por ejemplo, aquí el gato,
el perro y el gato son animales,

568
00:28:05.240 --> 00:28:10.320
pues cogía un contexto, por ejemplo
el perro y y después le pasaba gatos.

569
00:28:10.320 --> 00:28:13.360
Son animales y tenía que predecir
que haya en medio, tenía que haber un él.

570
00:28:13.560 --> 00:28:15.760
Y gracias a entrenar esto
con muchas palabras,

571
00:28:15.760 --> 00:28:18.200
pues íbamos aprendiendo estos embeddings.

572
00:28:18.200 --> 00:28:23.200
Cuando hacíamos el esquí, lo que decíamos
es dábamos una palabra, por ejemplo

573
00:28:23.320 --> 00:28:27.880
en este caso merienda y queríamos
predecir la anterior y la posterior.

574
00:28:27.880 --> 00:28:31.120
O bueno, podíamos configurar si era una,
dos, tres, cuál era la ventana.

575
00:28:31.160 --> 00:28:34.120
Pues si decíamos merienda,
queríamos que teníamos antes Juan

576
00:28:34.120 --> 00:28:36.080
y a continuación manzana.

577
00:28:36.080 --> 00:28:37.040
¿Cómo hacían todo esto?

578
00:28:37.040 --> 00:28:40.040
Lo que hacían es meterlos en vez de aquí
en estas capitas de en medio,

579
00:28:40.080 --> 00:28:43.080
que era en realidad
una capa de n neuronas.

580
00:28:43.120 --> 00:28:46.240
Vale, que es lo que llaman
aquí projection, en el que teníamos,

581
00:28:46.240 --> 00:28:48.120
pues en este tamaño
el embedding de tamaño cuatro,

582
00:28:48.120 --> 00:28:52.360
pues teníamos cuatro neuronas conectadas
y a partir de combinar esos diferentes

583
00:28:52.360 --> 00:28:55.760
embeddings seamos capaces
de sacar la proyección de salida.

584
00:28:56.000 --> 00:28:59.080
Esto está muy bien
porque primero reducimos mucho el tamaño.

585
00:28:59.080 --> 00:29:02.120
Si antes decíamos que teníamos el tamaño
de los vectores de entrada igual

586
00:29:02.120 --> 00:29:04.400
al tamaño del vocabulario,
aquí lo fijamos nosotros.

587
00:29:04.400 --> 00:29:06.080
Me parece que los modelos de GPS

588
00:29:06.080 --> 00:29:08.760
está puesto como mil palabras
o una cosa por el estilo.

589
00:29:08.760 --> 00:29:10.800
Habría que ver cada uno cómo
lo trabaja, en el

590
00:29:10.800 --> 00:29:13.840
que vamos a ver, por ejemplo,
el ejemplo estaban en 712, que es lo que

591
00:29:13.840 --> 00:29:17.440
habrán probado, que funcionaba bien
y ya son vectores mucho más manejables.

592
00:29:17.440 --> 00:29:19.240
Encima son vectores completamente densos.

593
00:29:19.240 --> 00:29:21.120
Estos de aquí tenía muchos ceros
los ceros.

594
00:29:21.120 --> 00:29:23.320
Cuando multiplicamos
las cosas nos vienen muy mal

595
00:29:23.320 --> 00:29:25.600
y sin embargo
aquí es muy raro que tengamos un cero.

596
00:29:25.600 --> 00:29:27.360
Todo lo que te dije ver
esto es como un espacio

597
00:29:27.360 --> 00:29:31.520
vectorial tamaño cuatro
en el que podemos hacer combinaciones.

598
00:29:31.720 --> 00:29:34.760
Pero básicamente lo que quiero ir
más allá de las matemáticas detrás

599
00:29:34.800 --> 00:29:35.640
es que lo que somos

600
00:29:35.640 --> 00:29:39.640
es capaces de codificar una palabra
como un numerito de tal como bueno,

601
00:29:39.720 --> 00:29:43.440
como un vector vale con una secuencia
de números de tal forma que dos palabras

602
00:29:43.440 --> 00:29:46.680
que se parezcan, por ejemplo perro
y gato, fijaros que está puesto apuesta.

603
00:29:46.760 --> 00:29:47.440
En el ejemplo.

604
00:29:47.440 --> 00:29:51.320
Sus vectores son muy parecidos
porque representan animales mamíferos

605
00:29:51.480 --> 00:29:53.120
que se suelen tener en casas.

606
00:29:53.120 --> 00:29:54.880
Bueno,
pues tiene una característica muy comunes.

607
00:29:54.880 --> 00:29:58.040
Sin embargo manzana y pera, que también
son dos palabras que sí se parecen,

608
00:29:58.040 --> 00:30:01.480
están cerca,
pero los números están lejos entre sí.

609
00:30:01.720 --> 00:30:05.560
Si esto lo pudiéramos pintar un cuadro,
no podemos, pues veríamos que los vectores

610
00:30:05.560 --> 00:30:09.280
apuntan a direcciones diferentes,
que es justo lo que nosotros queríamos.

611
00:30:11.600 --> 00:30:13.200
Por lo tanto, lo que nos dimos cuenta

612
00:30:13.200 --> 00:30:16.200
luego para hacer que esto funcionara
es que

613
00:30:16.240 --> 00:30:19.520
no solo teníamos que tener en cuenta
las palabras, sino también su contexto.

614
00:30:19.520 --> 00:30:21.360
Vale,
como hacíamos aquí, mirar las palabras

615
00:30:21.360 --> 00:30:25.000
previas y posteriores, tanto
en el enfoque cebo con el escape Grand y.

616
00:30:25.480 --> 00:30:26.840
Y para eso teníamos diferentes

617
00:30:26.840 --> 00:30:29.480
tipos de redes que nos permitían
trabajar con ellas.

618
00:30:29.480 --> 00:30:33.040
Por un lado teníamos las redes
convolucionales, las redes sociales.

619
00:30:33.040 --> 00:30:35.600
Es muy parecido a lo que hacíamos
aquí. Vale de tener.

620
00:30:35.600 --> 00:30:39.640
Estamos mirando las cadenas de texto
como un vector de una sola dimensión

621
00:30:39.640 --> 00:30:41.880
y lo que hacían
es aplicar una serie de funciones

622
00:30:41.880 --> 00:30:45.600
matemáticas con la palabra previa
y las palabras posteriores.

623
00:30:46.520 --> 00:30:47.840
Eso está muy bien, vale.

624
00:30:47.840 --> 00:30:51.160
De hecho, este tipo de redes funcionaban
súper bien en en imágenes.

625
00:30:51.160 --> 00:30:53.760
Cuando aplicamos a dos dimensiones
vale porque cada píxel

626
00:30:53.760 --> 00:30:56.960
se miraba los píxeles que había alrededor
y tenía mucho sentido que a partir de ahí

627
00:30:57.080 --> 00:30:59.680
éramos capaces de interpretar
que estábamos viendo una imagen.

628
00:30:59.680 --> 00:31:03.360
Sin embargo, cuando estábamos trabajando
con lenguaje, no funcionaba muy bien.

629
00:31:03.360 --> 00:31:06.120
Primero porque no solo la dimensiones
o podía mirar hacia adelante, hacia atrás.

630
00:31:06.120 --> 00:31:07.920
No teníamos arriba y abajo

631
00:31:07.920 --> 00:31:11.480
y perdíamos relaciones
que fueran de larga distancia porque tenía

632
00:31:11.480 --> 00:31:12.840
que poner una ventana de contexto.

633
00:31:12.840 --> 00:31:16.480
Pues digo, miro dos, tres
o cuatro palabras antes y cuatro después.

634
00:31:16.520 --> 00:31:19.920
Y si me pasaba una frase como el perro
que persiguió al gato ladró

635
00:31:20.280 --> 00:31:23.840
Pues si yo no pongo un contexto muy
grande, me parece que el que está ladrando

636
00:31:23.840 --> 00:31:24.600
es el gato.

637
00:31:24.600 --> 00:31:28.480
Vale, si yo solo miro la palabra previa
y la posterior, aquí tengo al gato ladró.

638
00:31:28.480 --> 00:31:29.960
Bueno, pues el gato estaba ladrando

639
00:31:29.960 --> 00:31:32.080
cuando en realidad que estaba ladrando
era el perro.

640
00:31:32.080 --> 00:31:34.600
Vale, pero fijaros la distancia
a nivel de saltos de palabras

641
00:31:34.600 --> 00:31:37.120
que teníamos, por eso estas redes
no funcionaba muy bien.

642
00:31:37.120 --> 00:31:38.440
Teníamos también otro tipo de redes

643
00:31:38.440 --> 00:31:40.880
que funcionaba muy bien,
que eran las redes recurrentes,

644
00:31:40.880 --> 00:31:43.920
las redes recurrentes, lo que eran
es ir viendo secuencias de palabras

645
00:31:43.920 --> 00:31:47.840
y van pasando su información a la parte
siguiente, de tal forma que empezaba,

646
00:31:47.880 --> 00:31:51.160
miraban él, luego miraban el perro
y sabían que venían de él.

647
00:31:51.200 --> 00:31:52.760
Luego miraban, que miraban, sabían

648
00:31:52.760 --> 00:31:56.560
que venían de perro, que venía de él
y así iban recorriendo toda la frase.

649
00:31:56.720 --> 00:31:59.680
Estas funcionaban mucho mejor
en el sentido de capturar relaciones

650
00:31:59.680 --> 00:32:03.240
largas, pero se paralizaba muy mal
si se paralizaba muy mal.

651
00:32:03.240 --> 00:32:06.320
Quiere decir que entrenar estas redes
era muy costoso computacionalmente

652
00:32:06.360 --> 00:32:09.400
y por lo tanto si le pasaba a muchos datos
para que aprendieran, tardaba mucho

653
00:32:09.400 --> 00:32:13.600
tiempo en conseguir optimizar su función
y conseguir hacer que la red hiciera algo.

654
00:32:13.720 --> 00:32:15.960
Así que teníamos unas redes
que se entrenaban rápido

655
00:32:15.960 --> 00:32:19.080
pero no funcionaban bien y teníamos luego
otras que se entregaban rápido

656
00:32:19.080 --> 00:32:20.320
pero no funcionaban bien.

657
00:32:20.320 --> 00:32:23.920
Y a partir de aquí surgió la arquitectura
Transformer, que es la que vino a cambiar

658
00:32:23.920 --> 00:32:28.080
cómo teníamos que trabajar
con los grandes modelos de lenguaje,

659
00:32:28.640 --> 00:32:31.080
las redes de Transformers, Meter,

660
00:32:31.080 --> 00:32:34.080
una cosa que llamaban
mecanismos de atención.

661
00:32:34.160 --> 00:32:39.920
Vale, que evitaban procesar las palabras
secuencialmente para ganar eficiencia.

662
00:32:39.920 --> 00:32:42.520
Básicamente
permitían hacer procesamiento en paralelo.

663
00:32:42.520 --> 00:32:45.280
Vamos a ver con un ejemplito gráfico.

664
00:32:45.280 --> 00:32:47.520
Luego también metían los mecanismos de

665
00:32:49.200 --> 00:32:50.440
atención

666
00:32:50.440 --> 00:32:53.240
que permitían calcular la influencia

667
00:32:53.240 --> 00:32:57.160
que tenía una palabra sobre otra sin tener
en cuenta la distancia a la que estaban.

668
00:32:57.160 --> 00:32:58.040
Es decir, cada palabra.

669
00:32:58.040 --> 00:32:58.760
Podría mirar

670
00:32:58.760 --> 00:33:03.040
cualquier otra palabra de la frase
para ver con cuál se relacionaba más.

671
00:33:03.480 --> 00:33:05.400
Y gracias a esto.

672
00:33:05.400 --> 00:33:08.880
Bueno, pues éramos capaces
de entrenar modelos mucho más grandes.

673
00:33:08.920 --> 00:33:09.720
Vale, os lo voy a enseñar

674
00:33:09.720 --> 00:33:12.720
con un ejemplo pasito a paso,
que lo vais a ver mucho más claro.

675
00:33:13.120 --> 00:33:14.240
Lo tenéis aquí subido. ¿Vale?

676
00:33:14.240 --> 00:33:17.440
Esta es una página que está aplicado
y que me parece magnífica

677
00:33:17.440 --> 00:33:19.480
porque está ya puesto
todo paso a paso y tenéis

678
00:33:19.480 --> 00:33:21.640
un montón de herramientas y tenéis
este enlace.

679
00:33:21.640 --> 00:33:23.520
¿Vale para que lo podáis ver
y os recomiendo

680
00:33:23.520 --> 00:33:26.120
cuando acabe la charla tratéis
un poquito sobre ella para que incidir

681
00:33:26.120 --> 00:33:28.640
en cosas que no me dé tiempo
a contaros a vosotros, vale?

682
00:33:28.640 --> 00:33:31.520
Yo ya tengo abierta por aquí para poder
ir contando las cosas.

683
00:33:31.520 --> 00:33:35.080
Y fijaros que esto es la arquitectura
completa de un Transformer.

684
00:33:35.080 --> 00:33:40.720
Vale, aquí tenemos, aquí arriba
tenemos lo que sería la la entrada.

685
00:33:40.760 --> 00:33:42.800
Vale que nosotros le pasamos
esto es lo mismo que tenemos

686
00:33:42.800 --> 00:33:44.800
el prompt
cuando estamos trabajando en modelos

687
00:33:44.800 --> 00:33:49.120
como GPT y CoPilot,
pues el prompt lo tenemos aquí arriba.

688
00:33:49.120 --> 00:33:51.120
Fijaros que lo que le estamos pasando
es una serie de palabras,

689
00:33:51.120 --> 00:33:54.240
una secuencia de palabras
que dice David Visualization

690
00:33:54.400 --> 00:33:57.920
en poco tú y visualices la palabra
que está prediciendo.

691
00:33:58.080 --> 00:34:01.840
Aquí tenéis las diferentes palabras
que la prendido que puede predecir

692
00:34:01.840 --> 00:34:07.600
en este caso visualice es la que más
probablemente vaya a continuación de tu.

693
00:34:07.600 --> 00:34:11.800
Porque claro dice, la visualización de
datos permite a los usuarios visualizar.

694
00:34:11.840 --> 00:34:14.800
Pero había otra serie de palabras
que podían haber ido ahí.

695
00:34:14.800 --> 00:34:18.640
Vale que podría ser
crear, ver, Make y y Kiki.

696
00:34:19.120 --> 00:34:22.000
Teníamos una serie de palabras
que nosotros podíamos hacer.

697
00:34:22.000 --> 00:34:25.360
¿Cómo funcionan estos
mecanismos de Transformer?

698
00:34:26.560 --> 00:34:27.600
Tenemos varias partes.

699
00:34:27.600 --> 00:34:30.000
¿Vale? 1/1 es los. En vehículos.

700
00:34:30.000 --> 00:34:30.880
He comentado antes, aquí

701
00:34:30.880 --> 00:34:33.880
tenemos las palabras que nosotros
le estamos pasando aquí arriba

702
00:34:34.000 --> 00:34:37.600
y las tenemos puestas en unos embeddings
que vamos a ver un poquito más en detalle

703
00:34:37.600 --> 00:34:38.560
ahora, después.

704
00:34:38.560 --> 00:34:39.640
Luego tenemos lo que llamamos

705
00:34:39.640 --> 00:34:43.120
unos bloques
de Transformer, bloque de transformación.

706
00:34:43.120 --> 00:34:45.760
Fijaros que aquí pone Block uno,
porque en realidad

707
00:34:45.760 --> 00:34:51.800
tenemos 2345 encadenados
todos unos a continuación de otros.

708
00:34:52.040 --> 00:34:55.040
Pensad esto,
que son un montón de parámetros de una

709
00:34:55.360 --> 00:34:58.360
el ejemplito
que os he puesto antes de aquí.

710
00:35:00.280 --> 00:35:03.520
Este comparado con esto es muy parecido.

711
00:35:03.520 --> 00:35:04.160
Lo que tenemos

712
00:35:04.160 --> 00:35:07.400
es muchos más puntitos en el diagrama
que tenemos que optimizar y aprender.

713
00:35:07.400 --> 00:35:10.600
Tenemos varios millones de parámetros
que tenemos que optimizar,

714
00:35:10.600 --> 00:35:14.760
pues en este caso van enganchando
diferentes bloques de Transformer, uno

715
00:35:14.760 --> 00:35:18.280
a continuación de otro para que la red se
vaya refinando lo que va aprendiendo.

716
00:35:18.440 --> 00:35:20.320
Y luego
finalmente tenemos la salida de la red,

717
00:35:20.320 --> 00:35:22.400
que son estas probabilidades
que os decía que simplemente

718
00:35:22.400 --> 00:35:25.800
vamos a coger a todas las palabras
que tenemos en nuestro vocabulario.

719
00:35:25.800 --> 00:35:30.160
Vamos a decir cuál es la palabra que más
probablemente tenga que ir a continuación

720
00:35:30.160 --> 00:35:34.000
de Data Visualización
en Power User, Tú, lo que sea.

721
00:35:35.040 --> 00:35:38.080
Entonces paso a paso, fijaros,
lo primero que vemos son los embeddings,

722
00:35:38.120 --> 00:35:39.640
los embeddings,
lo que os he contado antes.

723
00:35:39.640 --> 00:35:46.280
Aquí tenemos un vector de de 168 elementos
en el cual me dice cuál es el vector

724
00:35:46.280 --> 00:35:50.120
en el que está la palabra data, el vector
en el que está la palabra visualization.

725
00:35:50.120 --> 00:35:52.120
Exactamente lo mismo que dicho antes
con World Tour.

726
00:35:52.120 --> 00:35:54.600
Lo que pasa es que son tamaños
un poquito más grandes.

727
00:35:54.600 --> 00:35:58.000
Estos vectores se aprenden, vale,
no son vectores que estén prefijados.

728
00:35:58.000 --> 00:35:58.520
¿Es decir,

729
00:35:58.520 --> 00:36:01.600
que este vector tenga una exposición, aquí
lo ponen como un código de barras, vale?

730
00:36:01.600 --> 00:36:05.400
Iluminando más las posiciones, las
que el numerito es más alto iluminando.

731
00:36:05.400 --> 00:36:08.120
Bueno, poniendo más negra
la posibilidad de que el número más alto

732
00:36:08.120 --> 00:36:11.800
este vector lo va a aprender a partir
de muchas ejecuciones de leer, leer,

733
00:36:11.840 --> 00:36:15.320
leer mucho texto y además meter otra cosa
que se llama el posicional encoding.

734
00:36:15.400 --> 00:36:18.600
El posiciona encoding te va a decir
en qué posición de la frase

735
00:36:18.800 --> 00:36:21.600
está la palabra para poder guardar
relación,

736
00:36:21.600 --> 00:36:23.920
de qué distancia entre dos palabras
ahora va a aprender.

737
00:36:23.920 --> 00:36:27.360
Vale, esto es un poquito más elaborado,
pero digamos que no solo se quedan

738
00:36:27.360 --> 00:36:31.120
en el contexto de de qué significado
tiene la palabra que sería el embedding

739
00:36:31.120 --> 00:36:34.440
dentro del espacio de los embedding, sino
también te dice dónde estaba la palabra.

740
00:36:35.400 --> 00:36:38.160
Una vez que nosotros
tenemos esto, se suman los dos venis

741
00:36:38.160 --> 00:36:42.120
y sacamos el embedding de la palabra,
que es un vector de 768 posiciones

742
00:36:42.120 --> 00:36:45.120
para este modelo, que es el que se basa,
por ejemplo GPT dos.

743
00:36:47.480 --> 00:36:51.680
A continuación entramos en los bloques
de los Transformers.

744
00:36:51.680 --> 00:36:55.080
Vale, esa información se pasa
y tenemos que.

745
00:36:57.280 --> 00:36:59.960
Aquí.

746
00:36:59.960 --> 00:37:03.680
Cada uno de esos embeddings
se multiplica por tres.

747
00:37:04.120 --> 00:37:07.880
Cada una de las palabras que nosotros
le pasemos a la entrada se va a analizar

748
00:37:07.880 --> 00:37:11.840
de tres perspectivas diferentes
la que llamamos la query la,

749
00:37:13.680 --> 00:37:16.920
la K, que es la aquí y la V, que sería,
que sería el válido.

750
00:37:17.680 --> 00:37:18.040
Vale.

751
00:37:18.040 --> 00:37:20.880
¿Cómo trabajamos con todo esto?

752
00:37:20.880 --> 00:37:25.040
Básicamente tenemos lo que llamamos
cabezas de atención,

753
00:37:25.240 --> 00:37:26.080
la cabeza de atención.

754
00:37:26.080 --> 00:37:29.720
Lo que va a hacer es atender
a diferentes partes de la frase, es decir,

755
00:37:29.720 --> 00:37:31.680
va a mirar las palabras de diferentes
perspectivas.

756
00:37:31.680 --> 00:37:33.480
De nuevo,
todo esto lo aprende la red sola,

757
00:37:33.480 --> 00:37:35.640
es decir, tú
le pones un montón de cabeza de atención.

758
00:37:35.640 --> 00:37:37.320
En este caso tenemos 12.

759
00:37:37.320 --> 00:37:37.600
¿Vale?

760
00:37:37.600 --> 00:37:40.640
Fijaros que cada una de ellas
está trabajando en paralelo.

761
00:37:40.680 --> 00:37:44.320
Todo esto se procesa una en paralelo
con la otra, lo que permite cuando

762
00:37:44.560 --> 00:37:48.040
entramos la red, aprendan todas a la vez
y por lo tanto lo hagamos muy rápido.

763
00:37:48.080 --> 00:37:52.120
Cada una de las cabezas lo que va a hacer
es calcular relaciones que tenemos

764
00:37:52.120 --> 00:37:56.760
entre distintas palabras y cada una
se va a especializar en una parte de

765
00:37:57.480 --> 00:38:01.840
en una parte de las frases cómo funciona
cada una de las cabezas de atención.

766
00:38:01.880 --> 00:38:05.800
Lo que hacemos es por un lado
vamos a multiplicar con un product.

767
00:38:05.800 --> 00:38:09.240
Este es el producto de dos product.

768
00:38:09.240 --> 00:38:12.320
El no sé cómo se traduce en español
ahora mismo.

769
00:38:12.360 --> 00:38:14.640
Vale, bueno, el que multiplicas
un vector por otro,

770
00:38:14.640 --> 00:38:18.120
de tal forma que cuando dos vectores
están apuntando a la misma dirección,

771
00:38:18.160 --> 00:38:22.200
el dos produce saltos y los vectores
están apuntando en direcciones diferentes,

772
00:38:22.240 --> 00:38:23.560
su producto es muy bajo.

773
00:38:23.560 --> 00:38:24.360
¿Eso qué quiere decir?

774
00:38:24.360 --> 00:38:25.480
Porque tenemos la

775
00:38:25.480 --> 00:38:28.960
y la que la que es la que me permite
actuar como si fuera un filtro.

776
00:38:29.240 --> 00:38:32.200
Si nosotros tenemos la que
y que lo que está diciendo es

777
00:38:32.200 --> 00:38:35.160
Quiero que esta palabra se parezca
con la consulta que estoy haciendo, de

778
00:38:35.160 --> 00:38:39.800
tal forma que si dos palabras se parecen,
estén apuntando a la misma dirección.

779
00:38:39.920 --> 00:38:43.040
Así que tenemos que si dos palabras
están relacionadas, este dos productos

780
00:38:43.400 --> 00:38:46.680
nosotros estamos haciendo
lo que hacen es que su valor se aumente.

781
00:38:46.960 --> 00:38:48.920
Es como actuamos,
como si tuviéramos una máscara.

782
00:38:48.920 --> 00:38:51.240
Vale, vamos a pasar las palabras
por una máscara.

783
00:38:51.240 --> 00:38:55.200
Y cuando dos palabras van de relación, lo
que vamos a hacer es aumentar su tamaño.

784
00:38:55.240 --> 00:38:59.320
Fijaros que después de hacer el dos
produce una operación de escalado

785
00:38:59.320 --> 00:39:01.520
y una operación de sombra,
que es otra función matemática

786
00:39:01.520 --> 00:39:03.240
que permite normalizar las cosas.

787
00:39:03.240 --> 00:39:07.080
Fijaros que la palabra que más
se parece a data obviamente es data,

788
00:39:08.200 --> 00:39:10.120
pero a partir de ahí decimos data.

789
00:39:10.120 --> 00:39:15.080
Se parece mucho más a visualización
que a tu, porque habitualmente la palabra

790
00:39:15.280 --> 00:39:19.520
de visualización suelen ir juntas
y esto es lo que nos queda como salida.

791
00:39:19.560 --> 00:39:23.280
Vale, al final este este juego de y query

792
00:39:23.320 --> 00:39:27.400
lo que hace es buscar cuál es la relación
que hay entre parejas de palabras

793
00:39:27.440 --> 00:39:30.480
y lo importante es que como estoy
multiplicando todo con todo,

794
00:39:30.480 --> 00:39:32.400
no me quedo
solo con las palabras que están al lado.

795
00:39:32.400 --> 00:39:33.920
Si yo aumento mi ventana de contexto

796
00:39:33.920 --> 00:39:37.560
para que en lugar de tendrá
crisis palabras le meta 50 o mil,

797
00:39:37.600 --> 00:39:40.160
voy a hacer una multiplicación
con mil a la vez

798
00:39:40.160 --> 00:39:41.560
y voy a conseguir ver cuál

799
00:39:41.560 --> 00:39:43.520
de las mil palabras
que tengo a continuación

800
00:39:43.520 --> 00:39:45.560
se parece más a la palabra
que estoy poniendo.

801
00:39:45.560 --> 00:39:47.760
Y todo esto
lo estoy haciendo con un montón de

802
00:39:48.800 --> 00:39:50.720
sistemas que estamos funcionando
en paralelo.

803
00:39:50.720 --> 00:39:54.480
Es decir, no lo hago solo una vez,
sino que lo hago en este caso con 12 más

804
00:39:54.520 --> 00:39:57.520
el número de transforme
que encaje una continuación de otro.

805
00:39:58.040 --> 00:40:00.720
Una vez que tengo este resultado,
lo que hago

806
00:40:00.720 --> 00:40:04.760
es mezclarlo con los datos de entrada
y se lo paso a una red que llaman MLP.

807
00:40:04.960 --> 00:40:09.120
¿Una red MLP es esto que hemos puesto
es tal cual lo que hemos puesto,

808
00:40:09.120 --> 00:40:10.040
de tal forma que el SEO

809
00:40:10.040 --> 00:40:13.000
es una función matemática que le digo
empieza a combinar esto como a ti

810
00:40:13.000 --> 00:40:16.760
se te ocurra para conseguir sacar
un resultado y la red se pone a aprender,

811
00:40:16.800 --> 00:40:17.080
vale?

812
00:40:17.080 --> 00:40:20.680
Se pone a aprender y se pone entrenarlo
todo aquí dentro.

813
00:40:20.720 --> 00:40:22.960
Bueno,
pues tenemos un montón de cosas. ¿Vale?

814
00:40:22.960 --> 00:40:26.280
Tenemos capas,
tenemos funciones de activación

815
00:40:26.440 --> 00:40:29.720
GL que se escapan
un poquito del alcance de este curso.

816
00:40:29.720 --> 00:40:31.120
Tenemos un montón de cosas más.

817
00:40:31.120 --> 00:40:33.400
No es tan sencillo como suelo
enganchar neuronas.

818
00:40:33.400 --> 00:40:36.640
Pero bueno, después de todo esto
y de los bloques de transformación,

819
00:40:36.680 --> 00:40:39.400
llegamos a la salida,
que serían las probabilidades.

820
00:40:39.400 --> 00:40:42.800
Nosotros somos capaces de después
de combinar estas palabras de entrada

821
00:40:42.800 --> 00:40:46.520
pasada por sus embedding, por todos estos
procesos, me va a dar como resultado

822
00:40:46.520 --> 00:40:50.360
una lista en la que todas las palabras
que nosotros tenemos

823
00:40:50.400 --> 00:40:53.240
van a tener una serie de probabilidades
de ser puestas.

824
00:40:53.240 --> 00:40:56.600
Aquí tenéis las funciones que se aplican
para calcular las probabilidades.

825
00:40:57.400 --> 00:41:00.280
Podemos además modular
cómo queremos que sea esta probabilidad

826
00:41:00.280 --> 00:41:03.280
con un parámetro que se llama temperatura,
que a lo mejor lo habéis leído.

827
00:41:03.280 --> 00:41:06.720
Si habéis mirado un poco documentación
sobre algún LM que fijaros

828
00:41:06.720 --> 00:41:09.080
qué es lo que pasa
cuando yo subo la temperatura,

829
00:41:10.280 --> 00:41:14.120
el modelo lo que hace es poner todas
las probabilidades más o menos iguales.

830
00:41:14.160 --> 00:41:16.040
Digamos que le dejamos ser más creativo.

831
00:41:16.040 --> 00:41:17.520
Vale, no le captamos, Decimos bueno,

832
00:41:17.520 --> 00:41:20.520
pues elige tu por la palabra que más
quiere que venga a continuación.

833
00:41:20.520 --> 00:41:25.040
Sin embargo, si yo le bajo la temperatura,
concentra toda su probabilidad

834
00:41:25.040 --> 00:41:26.160
en un solo valor.

835
00:41:26.160 --> 00:41:28.240
Por ejemplo, en este caso con visualice

836
00:41:28.240 --> 00:41:30.920
según la temperatura que nosotros
le pongamos, le permitimos al modelo

837
00:41:30.920 --> 00:41:33.920
ser más creativo, ser más exacto,
más seguro lo que estamos diciendo.

838
00:41:33.960 --> 00:41:35.200
Y aquí podemos hacer, bueno,

839
00:41:35.200 --> 00:41:37.880
pues jugar un poquito con
cómo queremos que sea la salida.

840
00:41:37.880 --> 00:41:40.000
También
tenemos la opción del lugar de hacerlo,

841
00:41:40.000 --> 00:41:42.080
elegir las cinco palabras
más prometedoras.

842
00:41:42.080 --> 00:41:43.840
Podemos jugar con la salida de

843
00:41:43.840 --> 00:41:47.640
probabilidades, es decir,
quiero poder elegir entre las palabras

844
00:41:47.640 --> 00:41:52.920
cuya probabilidad acumulada
sume 0,5 o lo puedo subir 0,7 0,8

845
00:41:52.960 --> 00:41:56.040
si le pongo uno por fijaros
que se me meten aquí un montón de palabras

846
00:41:56.080 --> 00:41:59.080
que son muy poco probable que aparezcan
como lo que tenemos por aquí.

847
00:41:59.640 --> 00:42:03.240
¿Entonces esto sé que bueno,
pues visto en estos

848
00:42:03.240 --> 00:42:06.480
cinco minutos es complicado de seguir,
pero que quiero que se dijo?

849
00:42:06.480 --> 00:42:08.320
La idea es que esto no
deja de ser otra reunión

850
00:42:08.320 --> 00:42:12.160
a la que se han combinado
las neuronas de una forma especial

851
00:42:12.160 --> 00:42:14.400
para conseguir que la red
aprenda más rápido,

852
00:42:14.400 --> 00:42:16.200
pero que yo lo
único que tengo que pasarle a la red

853
00:42:16.200 --> 00:42:19.160
para que aprenda
es secuencias de palabras.

854
00:42:19.160 --> 00:42:21.760
Me cojo el diccionario
todas las palabras que hay y le digo no

855
00:42:21.760 --> 00:42:26.400
es que después de esta frase en el texto
aparecía Visualice y la red aprende.

856
00:42:26.440 --> 00:42:28.360
Y si la red se equivoca,
la probabilidad de salida

857
00:42:28.360 --> 00:42:31.680
lo que hace es modificar
sus pesos internos, los millones de pesos

858
00:42:31.680 --> 00:42:35.560
que tiene aquí dentro mediante
un algoritmo que va castigando los errores

859
00:42:35.560 --> 00:42:37.400
que se han cometido,
que eran cometido errores más grandes.

860
00:42:37.400 --> 00:42:38.480
Como va propagation

861
00:42:38.480 --> 00:42:40.320
lo vamos castigando y vamos hacia atrás

862
00:42:40.320 --> 00:42:42.240
hasta que el modelo
se tiende a estabilizar.

863
00:42:42.240 --> 00:42:44.040
Cuando hemos conseguido
que el modelo se estabilice,

864
00:42:44.040 --> 00:42:47.480
decimos que el modelo ha aprendido
y lo pongo entre comillas el aprendido

865
00:42:47.480 --> 00:42:50.640
porque ya has dicho antes que en realidad
estamos haciendo optimizar una función,

866
00:42:50.640 --> 00:42:54.640
pero sí que conseguimos
que este aprendizaje se lleve a cabo

867
00:42:54.680 --> 00:42:58.600
y que el modelo sea capaz de predecir
cuál es la palabra que va a continuación.

868
00:43:01.960 --> 00:43:02.440
¿Cómo hemos

869
00:43:02.440 --> 00:43:06.360
pasado entonces de pequeños modelos
a lo que tenemos hoy en día?

870
00:43:06.360 --> 00:43:08.160
Bueno, pues de arquitectura Transformer
os he dicho que

871
00:43:08.160 --> 00:43:11.960
parece que databa del año 2017,
pues ha ido evolucionando.

872
00:43:11.960 --> 00:43:14.880
Al principio teníamos modelos pequeños
y tenemos modelos pequeños.

873
00:43:14.880 --> 00:43:17.560
Quiere decir que tenemos pocos parámetros
para aprender

874
00:43:17.560 --> 00:43:19.400
y poco texto con el que entrenarle.

875
00:43:19.400 --> 00:43:22.480
Si tenemos un modelo pequeño quiere decir
que podemos hacer cosas pequeñas.

876
00:43:22.520 --> 00:43:25.640
Vale, podemos sacar tokens de las frases,

877
00:43:25.640 --> 00:43:30.760
es decir, separar elementos de las frases,
podemos poner etiquetas,

878
00:43:30.760 --> 00:43:33.680
ver si las palabras son sustantivos,
son verbos.

879
00:43:33.680 --> 00:43:37.600
Podemos también sacar una serie de reglas,
es decir, podemos hacer cosas como

880
00:43:37.600 --> 00:43:41.680
corrección ortográfica, predicción
de palabras, cosas un poquito más simples

881
00:43:42.760 --> 00:43:45.760
a medida que tenemos más datos
y para entrenar modelos de

882
00:43:46.080 --> 00:43:48.840
como Chase, que
fue el que pega el pelotazo al principio,

883
00:43:48.840 --> 00:43:51.800
básicamente han cogido casi todo
internet y se ha ido pasando en textos.

884
00:43:51.800 --> 00:43:54.520
Fijaros la cantidad de texto que le hemos
le hemos pasado,

885
00:43:54.520 --> 00:43:56.600
pues conseguimos hacer modelos
más complejos.

886
00:43:56.600 --> 00:43:58.520
Si tenemos más textos
lo único que que hacer es

887
00:43:58.520 --> 00:44:00.880
dejarle más tiempo aprendiendo,
pero también conseguimos hacer

888
00:44:00.880 --> 00:44:03.520
meterle más neuronas,
poner el modelo con más parámetros

889
00:44:03.520 --> 00:44:06.720
para aprender, ponerle más cabeza
a la atención por le más arquitectura

890
00:44:06.720 --> 00:44:10.640
transformer, ponerle más partes al modelo
y necesitamos hardware más potente.

891
00:44:10.640 --> 00:44:12.800
Sacamos gráficas más potente de hecho.

892
00:44:12.800 --> 00:44:14.240
Bueno, ahora ya tenemos las TPUs.

893
00:44:14.240 --> 00:44:17.400
Vale que son gráficas especializadas
en procesamiento.

894
00:44:17.440 --> 00:44:21.440
Lo ponemos con más elementos
y cuanto más parámetros y más texto

895
00:44:21.440 --> 00:44:23.800
tenga el modelo
puede hacer, más cosas vale.

896
00:44:23.800 --> 00:44:26.800
La IA puede hacer más cosas y es
en el punto en el que estamos ahora mismo.

897
00:44:26.880 --> 00:44:28.120
Fijaros algunas gráficas.

898
00:44:28.120 --> 00:44:31.680
Vale como
evolucionando el tamaño del modelo.

899
00:44:31.680 --> 00:44:34.680
Estos son el número de parámetros
a aprender que os decía

900
00:44:35.000 --> 00:44:37.720
anteriormente en billones de 0,11.

901
00:44:37.720 --> 00:44:39.240
¿Esto es escala logarítmica, vale?

902
00:44:39.240 --> 00:44:41.640
O sea, no es lineal, crece muchísimo.

903
00:44:41.640 --> 00:44:45.800
Estamos aquí en los 10
mil billones de parámetros para aprender.

904
00:44:45.840 --> 00:44:48.880
Fijaros que en el año 2017
estábamos aquí muy abajo y

905
00:44:48.880 --> 00:44:51.920
estoy teniendo un crecimiento
súper grande.

906
00:44:51.920 --> 00:44:55.120
Vale, un crecimiento exponencial, vale,
porque la escala que es logarítmica

907
00:44:55.160 --> 00:44:58.160
hasta GPT cuatro en el año

908
00:44:58.160 --> 00:45:01.800
2023 y aquí
yo creo que esto era inasumible.

909
00:45:01.800 --> 00:45:04.800
Vale a nivel costes de infraestructura
para las empresas

910
00:45:04.880 --> 00:45:08.480
empezamos sacar lo que llamaron los SLM,
que es el lugar del Large

911
00:45:08.600 --> 00:45:11.600
Lewis Model Small Language
Model modelo de lenguaje

912
00:45:11.600 --> 00:45:14.800
Pequeños empezaron a cortar un poquito
las cosas y la cosa se ha estabilizado.

913
00:45:14.800 --> 00:45:17.480
Vale, sacaron modelos más pequeños,
conseguían hacer lo mismo,

914
00:45:17.480 --> 00:45:21.760
pues eliminando partes que no hacían falta
o haciendo que los números,

915
00:45:21.760 --> 00:45:24.360
en lugar de ser tan largos,
la representación de los números

916
00:45:24.360 --> 00:45:26.080
no fuera tan larga
hacía un poquito más pequeña.

917
00:45:26.080 --> 00:45:27.920
Así el modelo ocupaba menos.

918
00:45:27.920 --> 00:45:30.240
Y bueno, visto esto,
pues han ido cambiando, vale,

919
00:45:30.240 --> 00:45:32.360
pero la tendencia es verdad
que ya es un poquito decreciente,

920
00:45:32.360 --> 00:45:34.960
porque esto implica básicamente
gastar menos dinero

921
00:45:34.960 --> 00:45:36.760
para las empresas que venden
inteligencia artificial.

922
00:45:36.760 --> 00:45:40.680
Es una condición obviamente deseable para
ellas porque así consiguen ingresar más.

923
00:45:41.520 --> 00:45:43.840
También podemos analizar lo que es
la ventana de contexto.

924
00:45:43.840 --> 00:45:46.760
La ventana de contexto
es las palabras que yo le paso a la red.

925
00:45:46.760 --> 00:45:47.920
Vale lo que puedo escribir.

926
00:45:47.920 --> 00:45:51.080
En realidad cuando utilizamos modelos
como GPT o Gemini,

927
00:45:51.880 --> 00:45:54.880
no solo lo que escribimos, porque esto
se combina con las palabras anteriores

928
00:45:54.880 --> 00:45:58.120
y con algunas transformaciones
que hace la propia herramienta.

929
00:45:58.120 --> 00:46:01.120
¿Pero más o menos es cuántas palabras
le puedo pasar de golpe

930
00:46:01.680 --> 00:46:04.640
a la red para que me saque una predicción?

931
00:46:04.640 --> 00:46:08.600
Fijaros que de nuevo escala logarítmica
en número de tokens

932
00:46:08.640 --> 00:46:11.840
de mil tokens estamos ahora
por los 10 millones de tokens.

933
00:46:11.840 --> 00:46:13.200
Vale, llama cuatro.

934
00:46:13.200 --> 00:46:16.640
En 2025 consiguió
llegar a los 10 millones de tokens.

935
00:46:16.680 --> 00:46:19.680
Esto digo que cada vez va creciendo
más, hacemos redes más eficientes,

936
00:46:19.680 --> 00:46:21.640
admiten más parámetros
y admiten más parámetros.

937
00:46:21.640 --> 00:46:23.080
¿Le puedo pasar más información?

938
00:46:23.080 --> 00:46:25.680
Si la red tiene más información
es capaz de predecir mejor.

939
00:46:25.680 --> 00:46:28.920
Así que estamos consiguiendo mejores
resultados simplemente con aumentar.

940
00:46:28.920 --> 00:46:31.720
¿Cuál es la ventana de contexto
que nosotros le pasamos?

941
00:46:33.200 --> 00:46:36.200
Entonces, lo que os decía, cuando vamos
aumentando la escala

942
00:46:36.200 --> 00:46:38.680
tanto en número de parámetros
como ventana de contexto,

943
00:46:38.680 --> 00:46:40.200
como el número de datos aprender,

944
00:46:40.200 --> 00:46:43.360
conseguimos representar cosas
más complejas,

945
00:46:43.400 --> 00:46:46.360
conseguimos representaciones
más difíciles,

946
00:46:46.360 --> 00:46:50.320
mejoramos por lo tanto coherencia,
fluidez, fluidez y adaptación del texto

947
00:46:50.400 --> 00:46:53.440
y podemos tener en definitiva,
para el nivel medio,

948
00:46:53.440 --> 00:46:56.440
mejores resultados.

949
00:46:56.960 --> 00:46:59.360
¿Qué pasa si nosotros queremos aplicar

950
00:46:59.360 --> 00:47:02.080
un LLM para nuestro negocio en particular?

951
00:47:02.080 --> 00:47:04.680
Porque claro,
estos modelos son de propósito general.

952
00:47:04.680 --> 00:47:08.760
Poquita gente tiene la capacidad
de coger un dataset gigante

953
00:47:08.760 --> 00:47:13.120
y entrenar un bicho de esto sea un bicho
de 10 mil billones de parámetros,

954
00:47:13.160 --> 00:47:16.920
pues es una burrada a nivel de consumo,
a nivel de máquinas que te va a gastar

955
00:47:16.920 --> 00:47:18.120
para poder entrenarlo.

956
00:47:18.120 --> 00:47:20.960
Entonces has surgido
una serie de herramientas que me permiten

957
00:47:20.960 --> 00:47:22.440
especializar las redes neuronales.

958
00:47:22.440 --> 00:47:26.000
Podemos entender la realidad
como la red neuronal ya entrenada

959
00:47:26.000 --> 00:47:29.240
ha aprendido a hablar
un idioma español e inglés, el que sea.

960
00:47:29.280 --> 00:47:32.200
Lo que podemos hacer es hacer un ajuste
fino, hacer un pequeño

961
00:47:32.200 --> 00:47:36.320
ajuste a nuestra red para que aprenda
a hablar de un dominio en particular.

962
00:47:37.000 --> 00:47:38.600
¿Qué cosa podemos hacer aquí?

963
00:47:38.600 --> 00:47:40.720
Pues tenemos diferentes estrategias.

964
00:47:40.720 --> 00:47:42.720
Lo primero
es la que llamamos un ajuste fino.

965
00:47:42.720 --> 00:47:45.840
Cogemos un LM que ya sepa hablar
el idioma que nosotros queremos,

966
00:47:45.840 --> 00:47:46.680
que hay muchos modelos

967
00:47:46.680 --> 00:47:49.760
que ya no lo podemos bajar
y lo podemos utilizar y lo que le pasamos

968
00:47:49.760 --> 00:47:53.320
es información actualizada sobre el campo
que nosotros queramos.

969
00:47:53.320 --> 00:47:54.680
Por ejemplo en medicina.

970
00:47:54.680 --> 00:47:58.240
Pues es que las redes ha entrenado
con foros de internet normales

971
00:47:58.240 --> 00:48:00.560
y queremos que aprenda a hablar
sobre temas de medicina.

972
00:48:00.560 --> 00:48:05.960
Lo que hacemos es pasar la red, una serie
de frases adicionales sobre medicina

973
00:48:06.040 --> 00:48:09.440
y la volvemos a entrenar, pero partiendo
de un punto de partida nuevo.

974
00:48:09.440 --> 00:48:11.800
En este modelo se parte de aleatorio.

975
00:48:11.800 --> 00:48:13.720
Vale,
todos los pesos iniciales son aleatorios.

976
00:48:13.720 --> 00:48:14.360
Lo que vamos a hacer

977
00:48:14.360 --> 00:48:17.720
es inicializar una red que ya sepa hablar
inglés y la vamos a especializar

978
00:48:17.720 --> 00:48:20.720
para que sepa hablar
inglés médico, por ejemplo.

979
00:48:20.840 --> 00:48:22.000
¿Qué problema tiene esto?

980
00:48:22.000 --> 00:48:24.840
Sigue siendo costoso computacionalmente,
por si tenemos un modelo

981
00:48:24.840 --> 00:48:26.760
con muchos parámetros,
hay que meterle una máquina

982
00:48:26.760 --> 00:48:28.680
que sea capaz de cargar
muchísimos parámetros

983
00:48:28.680 --> 00:48:31.440
y hay que dejarla entrenando
y eso es un proceso lento.

984
00:48:31.440 --> 00:48:33.360
Por lo tanto,
este ajuste fino funciona bien

985
00:48:33.360 --> 00:48:35.760
cuando los modelos son chiquititos,
pero con modelos grandes

986
00:48:35.760 --> 00:48:38.920
no funciona muy allá porque no tenemos
infraestructura para poder hacerlo.

987
00:48:39.800 --> 00:48:42.880
Así que han surgido estrategias de
personalización ligera en la que tenemos

988
00:48:42.880 --> 00:48:44.520
dos enfoques distintos.

989
00:48:44.520 --> 00:48:49.840
Lora, que es el más popular actualmente,
lo que hace es construirse una nueva

990
00:48:49.840 --> 00:48:55.200
matriz de pesos que se va a combinar
con la del M para sacar nuevos resultados.

991
00:48:55.240 --> 00:48:57.040
Ahora lo pongo con un gráfico,
pero básicamente

992
00:48:57.040 --> 00:49:00.040
es una matriz muy chiquitita
en la cual somos capaces de combinar.

993
00:49:00.040 --> 00:49:04.920
Le hacemos que la salida del modelo del
LM varíe ligeramente para

994
00:49:04.920 --> 00:49:08.760
que aprenda a representar las iteraciones
de nuestro contexto específico.

995
00:49:09.120 --> 00:49:11.520
Y luego tenemos la otra opción,
que esta es un poco más antigua,

996
00:49:11.520 --> 00:49:13.360
pero también se sigue utilizando,
que son los adaptes,

997
00:49:13.360 --> 00:49:15.880
que lo que hacemos
es insertar nuevas neuronas

998
00:49:15.880 --> 00:49:17.840
dentro de nuestra red neuronal
para que aprenda.

999
00:49:17.840 --> 00:49:19.200
Aquí tienes un ejemplo de las dos.

1000
00:49:19.200 --> 00:49:21.280
Vale, esto es la arquitectura
Transformer que decía antes.

1001
00:49:21.280 --> 00:49:24.960
Estas son las cabeceras atención
y diferentes capas de normalización

1002
00:49:24.960 --> 00:49:28.520
que le íbamos poniendo
para sacar la salida en las probabilidades

1003
00:49:28.920 --> 00:49:32.920
y a partir de la entrada del
que nosotros tuviéramos se transformaba

1004
00:49:32.920 --> 00:49:36.280
esto una serie de embeddings
y se lo pasábamos al mecanismo.

1005
00:49:36.480 --> 00:49:40.560
Si nosotros trabajamos con Lora, fijaros
que lo que hacemos es dejamos la red

1006
00:49:40.560 --> 00:49:43.920
como estaba, es decir, lo que hemos visto
en este ejemplo de aquí

1007
00:49:44.280 --> 00:49:48.720
y lo que hacemos es entrenar un par de
matrices chiquititas que son A y B,

1008
00:49:48.760 --> 00:49:51.120
que luego las combinamos,
las multiplicamos, vale este

1009
00:49:51.120 --> 00:49:52.360
decimos que son dimensionalidad

1010
00:49:52.360 --> 00:49:55.800
baja para conseguir una del mismo tamaño
que tenemos aquí y lo sumamos.

1011
00:49:55.840 --> 00:49:56.760
¿Qué ventaja tiene esto?

1012
00:49:56.760 --> 00:49:59.680
Son muy poquitos parámetros
a aprender, pocos parámetros a aprender.

1013
00:49:59.680 --> 00:50:01.600
Lo traducimos en esto rápido de entrenar

1014
00:50:01.600 --> 00:50:03.400
para cualquier ordenador que nosotros
tengamos,

1015
00:50:03.400 --> 00:50:04.840
así que aunque tengamos un servidor

1016
00:50:04.840 --> 00:50:08.360
medianamente potente, podemos coger una M
que ya sepa hablar un idioma,

1017
00:50:08.400 --> 00:50:12.440
le metemos con Lora una especialización
y muy rápidamente somos capaces

1018
00:50:12.440 --> 00:50:16.240
de refinar ese modelo para que aprenda
a hablar del tema que nosotros queremos.

1019
00:50:16.840 --> 00:50:19.120
La otra alternativa,
que es la de los adapter,

1020
00:50:19.120 --> 00:50:23.080
lo que hacíamos era meter capas
aquí en medio, meter capas aquí en medio

1021
00:50:23.080 --> 00:50:25.560
es más complejo computacionalmente
porque implica

1022
00:50:25.560 --> 00:50:29.120
que tenemos que meternos dentro
la arquitectura del Transformer

1023
00:50:29.120 --> 00:50:30.480
y dentro de arquitectura del transporte

1024
00:50:30.480 --> 00:50:31.600
nos tenemos que poner a hacer que

1025
00:50:31.600 --> 00:50:34.640
estas capas se pongan a aprender
dejando congeladas las otras.

1026
00:50:34.680 --> 00:50:37.240
Es una operación
computacionalmente más costosa

1027
00:50:37.240 --> 00:50:38.560
tener las dos opciones para hacerlo.

1028
00:50:38.560 --> 00:50:40.120
Hay herramientas que permiten hacerlo,

1029
00:50:40.120 --> 00:50:42.080
pero vamos, que logra actualmente
es la más sencilla

1030
00:50:42.080 --> 00:50:45.160
porque te quedas fuera de la red
y es muchísimo más rápida.

1031
00:50:46.520 --> 00:50:47.480
Como casos de éxito.

1032
00:50:47.480 --> 00:50:51.120
De esto tenemos podéis buscar ver
que es un experto en biomedicina.

1033
00:50:51.520 --> 00:50:53.840
Utilizaron el modelo,
ver que igual os suena.

1034
00:50:53.840 --> 00:50:57.640
Vale que es de propósito general
y le pusieron a entrenar

1035
00:50:57.640 --> 00:51:00.880
con colección de artículos de textos
biomédicos.

1036
00:51:01.120 --> 00:51:01.960
¿Lo consiguieron?

1037
00:51:01.960 --> 00:51:06.360
Es que el modelo de lenguaje
entendía terminología biomédica

1038
00:51:06.360 --> 00:51:09.880
y por lo tanto esto
pedía, admitía acelerar investigación

1039
00:51:09.880 --> 00:51:12.160
en temas biomédicos,
pues le podía hacer preguntas que

1040
00:51:12.160 --> 00:51:13.920
a lo mejor
alguien no se había dado cuenta y bueno,

1041
00:51:13.920 --> 00:51:18.040
pues permite hacer pequeños avances,
ya digo, con un modelo de un ajuste fino

1042
00:51:18.040 --> 00:51:21.040
sobre un LM que estaba previamente
entrenado, que era Bert.

1043
00:51:22.240 --> 00:51:24.640
También
podemos especializar nuestro modelo

1044
00:51:24.640 --> 00:51:26.800
sin hacer,
sin que tengamos que retener la red.

1045
00:51:26.800 --> 00:51:29.320
Para esto hay una cosa que se llaman RAG
que igual también os suena.

1046
00:51:29.320 --> 00:51:31.640
Habéis leído por ahí
que sanadora muy de moda.

1047
00:51:31.640 --> 00:51:34.080
Vale, básicamente RAG
son las siglas de Retrieval

1048
00:51:34.080 --> 00:51:37.920
amente Generation y es tiene tres fases.

1049
00:51:37.960 --> 00:51:39.680
Vale, pues la fase de recuperación

1050
00:51:39.680 --> 00:51:43.160
Retrieval, la fase de aumentación
y la fase de generación.

1051
00:51:43.720 --> 00:51:44.680
¿Cómo funciona esto?

1052
00:51:44.680 --> 00:51:46.840
Nosotros tenemos nuestro LLM,
el que queráis.

1053
00:51:46.840 --> 00:51:50.200
Vale, aquí funciona con cualquiera de
ellos y le pasamos un prompt.

1054
00:51:50.440 --> 00:51:53.760
Cuando nosotros le pasemos nuestro prom,
lo que hacemos es.

1055
00:51:53.800 --> 00:51:55.760
Aparte de pasar al modelo de lenguaje,

1056
00:51:55.760 --> 00:51:58.120
vamos a ir a una base de datos documental
que tengamos,

1057
00:51:58.120 --> 00:51:59.960
por ejemplo
con documentos de la universidad.

1058
00:51:59.960 --> 00:52:01.680
Imaginad que queremos hacer un rap

1059
00:52:01.680 --> 00:52:04.560
con normativa interna
que tengamos en la universidad,

1060
00:52:04.560 --> 00:52:05.880
pues hacemos que ese prom

1061
00:52:05.880 --> 00:52:09.640
hagamos una búsqueda de documentos
de la universidad que estén relacionados

1062
00:52:09.640 --> 00:52:12.560
con el propio Estado, pasando por ejemplo
normativa de evaluación.

1063
00:52:12.560 --> 00:52:13.360
Así que buscamos

1064
00:52:13.360 --> 00:52:16.560
encontramos que un documento normativa,
valuación, lo que va a hacer el RAG

1065
00:52:16.640 --> 00:52:20.320
va a recuperar los documentos que estén
más relacionados y se los va a pasar

1066
00:52:20.320 --> 00:52:23.440
como parte del prom al LM,
junto con lo que nosotros lo hemos pedido.

1067
00:52:23.440 --> 00:52:24.600
De tal forma que digo

1068
00:52:25.720 --> 00:52:26.560
pueden varios

1069
00:52:26.560 --> 00:52:29.600
alumnos sacar matrícula de honor
si han tenido la misma nota.

1070
00:52:29.920 --> 00:52:34.360
Ese es el que yo le voy a pasar a mi, a mí
el LM va a coger,

1071
00:52:34.360 --> 00:52:37.360
va a buscar la normativa de valoración
y se va a pasar también como parte del

1072
00:52:37.480 --> 00:52:39.400
no lo tengo que hacer
yo con un copia y pega.

1073
00:52:39.400 --> 00:52:42.400
Entonces el modelo se va a poner a leer
los documentos que le pasemos

1074
00:52:42.400 --> 00:52:45.600
junto con nuestro prom y va a poder
generar una respuesta mucho más precisa.

1075
00:52:45.880 --> 00:52:48.680
Si yo no le pasara estos documentos,
él no sabría qué universidad

1076
00:52:48.680 --> 00:52:49.480
estoy, No sabría cuál

1077
00:52:49.480 --> 00:52:52.760
es la normativa interna de universidad
y por lo tanto no podría.

1078
00:52:52.800 --> 00:52:57.240
Una respuesta precisa al combinar
los documentos internos de la organización

1079
00:52:57.240 --> 00:53:00.440
con las preguntas del usuario,
somos capaces de dar respuestas un poquito

1080
00:53:00.440 --> 00:53:03.640
más certeras teniendo en cuenta que
esto sigue siendo probabilístico.

1081
00:53:03.800 --> 00:53:06.320
O sea, que el M se puede equivocar
y puede cometer errores,

1082
00:53:06.320 --> 00:53:08.280
Por lo tanto, tampoco
coger la respuesta de dos

1083
00:53:08.280 --> 00:53:12.160
como si fuera una verdad
absoluta de la cual no podemos dudar.

1084
00:53:14.480 --> 00:53:15.320
Y llegando al final de

1085
00:53:15.320 --> 00:53:19.200
esta parte,
nos encontramos con los principales

1086
00:53:19.200 --> 00:53:22.240
problemas y limitaciones
que tenemos de los elements actualmente.

1087
00:53:22.840 --> 00:53:25.400
¿Eh? ¿Lo primero que tenéis que tener
en cuenta que esto,

1088
00:53:25.400 --> 00:53:27.320
como os he dicho,
son patrones estadísticos, vale?

1089
00:53:27.320 --> 00:53:28.800
Son todo matemáticas,

1090
00:53:28.800 --> 00:53:32.160
es estadística y los LLM
no están entendiendo lo que les pasemos.

1091
00:53:32.200 --> 00:53:35.160
De ahí que decimos que en realidad
no están aprendiendo porque bueno, pues

1092
00:53:35.160 --> 00:53:39.120
aprender es tiene un concepto filosófico
mucho más fuerte,

1093
00:53:39.160 --> 00:53:42.040
solo están optimizando funciones
y eso es una limitación.

1094
00:53:42.040 --> 00:53:45.240
Mal, Ellos no comprenden, simplemente
reproducen, reproducen, reproducen.

1095
00:53:45.280 --> 00:53:47.800
¿Eso qué
quiere decir? Que pueden aparecer sesgos.

1096
00:53:47.800 --> 00:53:51.200
Si los datos que yo le he pasado a la
IA están mal,

1097
00:53:51.560 --> 00:53:53.880
las respuestas que va a dar la
IA están mal.

1098
00:53:53.880 --> 00:53:58.360
Si yo le paso lo que decía antes,
imaginaros que solo se ha entrenado

1099
00:53:58.360 --> 00:54:02.160
con textos de foros de gente joven
en internet,

1100
00:54:02.480 --> 00:54:05.120
pues seguramente
el lenguaje que van a utilizar

1101
00:54:05.120 --> 00:54:08.240
es un lenguaje mucho más informal que el
que podríamos utilizar en otros ámbitos,

1102
00:54:08.240 --> 00:54:09.720
por ejemplo un ámbito académico.

1103
00:54:09.720 --> 00:54:12.400
Y la IA
nunca va a ser saber hablar académicos.

1104
00:54:12.400 --> 00:54:15.560
Y yo no le he pasado textos
académicos sobre los que aprender,

1105
00:54:15.600 --> 00:54:19.000
así que tenemos muchos sesgos y luego
pues también problemas.

1106
00:54:19.160 --> 00:54:23.520
Si la guía se ha pasado con textos
racistas, la IA será racistas y la IA dado

1107
00:54:23.560 --> 00:54:27.320
ciertas ideologías, tendrá sus ideologías
y por lo tanto tenemos

1108
00:54:27.320 --> 00:54:28.480
que tener cuidado con los datos.

1109
00:54:28.480 --> 00:54:32.400
Ya digo, la parte más difícil
es pasarle datos que sean heterogéneos,

1110
00:54:32.400 --> 00:54:35.400
que estén limpios y que funcionen bien
para que la IA pueda aprender.

1111
00:54:35.520 --> 00:54:37.840
Luego también
tenemos el problema de la opacidad.

1112
00:54:37.840 --> 00:54:41.320
Al final, esto que os he pintado
aquí es una caja negra muy negra.

1113
00:54:41.320 --> 00:54:42.480
Son muchos números. ¿Vale?

1114
00:54:42.480 --> 00:54:45.480
Nosotros podemos bucear
y podemos extraer cuánto vale

1115
00:54:45.520 --> 00:54:48.160
cada uno de los parámetros
que tengo que aprender por aquí.

1116
00:54:48.160 --> 00:54:52.040
Vale, en esta parte del MLP
podemos mirarlo y fijaros que aquí

1117
00:54:52.040 --> 00:54:53.600
hay un montón de números
y un montón de cosas.

1118
00:54:53.600 --> 00:54:58.360
Podría calcular cuánto
vale este W1 uno y un montón de cosas,

1119
00:54:58.400 --> 00:55:02.760
pero realmente es una ecuación matemática
tan compleja que conocer un

1120
00:55:02.760 --> 00:55:05.040
solo dato no me vale para nada
y por lo tanto es una caja negra.

1121
00:55:05.040 --> 00:55:08.960
¿Yo le paso los datos, me dice la salida
y me cuesta mucho comprender por qué

1122
00:55:08.960 --> 00:55:11.480
ha dicho esa salida,
lo cual en muchos casos da igual,

1123
00:55:11.480 --> 00:55:13.440
pero en muchos otros es algo importante
decir

1124
00:55:13.440 --> 00:55:16.440
me está dando esa respuesta,
pero por qué me lo estás diciendo?

1125
00:55:16.480 --> 00:55:19.840
Si la IA fuera capaz
de justificarse a sí misma, nos vendría

1126
00:55:19.840 --> 00:55:23.960
muy bien y su salida sería
estaría mucho más enriquecida.

1127
00:55:24.000 --> 00:55:26.080
Y luego, también lo he comentado,
el impacto energético.

1128
00:55:26.080 --> 00:55:28.160
Esto está gastando luz, apuntala.

1129
00:55:28.160 --> 00:55:32.040
Estamos gastando
kilovatios y kilovatios por minuto

1130
00:55:33.520 --> 00:55:35.600
para entrenar
estos modelos y para mantenerlos.

1131
00:55:35.600 --> 00:55:38.560
Incluso el proceso de inferencia,
que es mucho más rápido

1132
00:55:38.560 --> 00:55:41.640
cuando ya tengo el modelo entrenado
que me dé una respuesta,

1133
00:55:41.680 --> 00:55:44.240
pues estás teniendo un coste energético
muy alto.

1134
00:55:44.240 --> 00:55:47.760
Es verdad que se está reduciendo el

1135
00:55:48.360 --> 00:55:51.640
el token por kilovatio
vale el coste del token por kilovatios

1136
00:55:51.640 --> 00:55:54.640
se está reduciendo el último tiempo
porque interesa mucho.

1137
00:55:54.640 --> 00:55:56.920
Pero bueno, que también
tenemos que tener esa perspectiva.

1138
00:55:56.920 --> 00:55:59.920
Y los modelos de Green Artificial
Intelligence y demás, no

1139
00:55:59.960 --> 00:56:03.640
teniendo mucha importancia
aquí para conseguir mitigar este efecto.

1140
00:56:03.680 --> 00:56:05.920
Y bueno,
pues que no se nos vaya de las manos

1141
00:56:05.920 --> 00:56:09.320
y al final tengamos un problema más grande
el que teníamos originalmente.

1142
00:56:09.320 --> 00:56:09.480
¿Vale?

1143
00:56:09.480 --> 00:56:12.480
Entonces son como sus principales
problemas actualmente.

1144
00:56:12.960 --> 00:56:15.400
Y bueno, para terminar,
me gusta poner este meme

1145
00:56:15.400 --> 00:56:18.560
vale de de internet
que dicen que bueno está mirando ahí.

1146
00:56:19.600 --> 00:56:22.040
Entonces en todo probabilidades
dice siempre lo han sido.

1147
00:56:22.040 --> 00:56:24.560
Vale, yo no quiero crearos mitos falsos.

1148
00:56:24.560 --> 00:56:27.240
Esto que tenemos aquí
son todo matemáticas.

1149
00:56:27.240 --> 00:56:30.360
Estos son probabilidades
Que el modelo me diga que esta palabra

1150
00:56:30.360 --> 00:56:33.760
viene a continuación
es porque estadísticamente es la

1151
00:56:33.800 --> 00:56:38.240
que más probable
tenía que venir a continuación y nada más.

1152
00:56:38.280 --> 00:56:40.720
Vale, no hay ninguna otra magia
detrás más allá de

1153
00:56:40.720 --> 00:56:42.560
cómo se calcula toda esa probabilidad.

1154
00:56:42.560 --> 00:56:44.720
Entonces quedaron que son matemáticas,
que él lo ha ido

1155
00:56:44.720 --> 00:56:49.280
teniendo aprendiendo a partir de datos
y por lo tanto el modelo

1156
00:56:49.280 --> 00:56:52.280
va a decir de lo que ha aprendido vale,
y ninguna otra cosa.

1157
00:56:53.240 --> 00:56:56.960
Y bueno, con esto
termina esta primera parte.

1158
00:56:57.240 --> 00:56:58.840
Creo que mejor hacemos las preguntas

1159
00:56:58.840 --> 00:57:02.040
y no al final de toda la presentación,
salvo que me digan lo contrario.

1160
00:57:02.040 --> 00:57:06.720
Fernando O sí,
Creo que sí, creo que que casi mejor no,

1161
00:57:06.760 --> 00:57:09.760
porque así tenemos la perspectiva de todo.

1162
00:57:10.480 --> 00:57:11.920
Le paso a Javier,
yo me voy a quedar por aquí.

1163
00:57:11.920 --> 00:57:14.000
Luego si tienes alguna pregunta al final
pues me lo hacéis.

1164
00:57:14.000 --> 00:57:15.760
Yo respondo encantado.

1165
00:57:15.760 --> 00:57:17.160
Sí, si acaso.

1166
00:57:17.160 --> 00:57:19.360
Bueno, estoy mirando el chat ahora mismo.

1167
00:57:19.360 --> 00:57:26.120
No veo así ninguna, ninguna pregunta
y las hemos contestado por remarcar

1168
00:57:26.120 --> 00:57:30.200
antes de que empiece Javier y así le damos
tiempo al que ponga su presentación.

1169
00:57:30.840 --> 00:57:33.200
Simplemente remarcar estos
últimos mensajes

1170
00:57:33.200 --> 00:57:36.200
que ha comentado Fernando
que me parecen fundamentales.

1171
00:57:36.240 --> 00:57:38.480
Como todos sabemos la IA.

1172
00:57:38.480 --> 00:57:43.560
Con ella podemos crear contenido
nuevo, imágenes nos hace resúmenes,

1173
00:57:43.880 --> 00:57:47.640
etcétera Todo eso
lleva un consumo eléctrico

1174
00:57:47.640 --> 00:57:51.280
que muchas veces no somos conscientes
y deberíamos también serlo.

1175
00:57:51.880 --> 00:57:54.360
Pero lo más importante,
el último que ha dicho

1176
00:57:54.360 --> 00:57:57.440
que no piensa no es una persona.

1177
00:57:57.480 --> 00:58:00.200
Muchas veces
atribuimos adjetivos de entender,

1178
00:58:00.200 --> 00:58:04.160
comprender a la guía que no son,
no son suyos, porque como bien

1179
00:58:04.160 --> 00:58:08.400
ha remarcado, faltando
todos son probabilidades y lo

1180
00:58:08.400 --> 00:58:13.760
más importante es ser conscientes de esto
justo para meter el factor humano.

1181
00:58:13.800 --> 00:58:17.640
Es decir, puede equivocarse,
puede inventarse información

1182
00:58:17.640 --> 00:58:20.680
y tenemos estar ahí
para verificar toda esa información.

1183
00:58:20.720 --> 00:58:22.280
Muchas veces, como ha dicho Fernando,

1184
00:58:22.280 --> 00:58:26.040
no nos dice la fuente,
hay herramientas que sí, como notebook.

1185
00:58:26.040 --> 00:58:29.800
LM Hay otras que no, en la mayoría

1186
00:58:30.080 --> 00:58:33.080
GPT, CoPilot, Cloud no dicen la fuente.

1187
00:58:33.080 --> 00:58:37.840
Entonces es importante que luego
hagamos estas comprobaciones.

1188
00:58:37.880 --> 00:58:40.120
Pueden reproducir sesgos dependiendo de

1189
00:58:40.120 --> 00:58:43.840
los datos que estén entrenadas,
que también lo ha mencionado Fernando.

1190
00:58:43.880 --> 00:58:48.200
De hecho hay estudios por ahí
que con un 1% que metan de sesgo

1191
00:58:48.240 --> 00:58:52.000
de un partido político, por ejemplo,
pueden cambiar mucho las cosas

1192
00:58:52.000 --> 00:58:54.000
y de hecho
ha habido problemas en este sentido.

1193
00:58:54.000 --> 00:58:58.840
Por eso debemos ver, debemos ser muy
estar muy atentos con la información

1194
00:58:58.840 --> 00:59:02.720
que nos dan y pueden provocar
alucinaciones, pueden equivocarse

1195
00:59:02.720 --> 00:59:05.720
y por eso,
porque al final son probabilidades,

1196
00:59:05.760 --> 00:59:10.200
entonces simplemente que quede ese mensaje
que hay mucha base matemática detrás,

1197
00:59:10.240 --> 00:59:13.240
que no es magia
y que tampoco es una mente humana

1198
00:59:13.240 --> 00:59:18.040
que aprende a partir de esos patrones
y de toda la cantidad de datos

1199
00:59:18.080 --> 00:59:19.000
que va generando.

1200
00:59:19.000 --> 00:59:23.200
¿Y como he apuntado ahí en el chat, qué
va a pasar cuando estos datos se acaben?

1201
00:59:24.000 --> 00:59:27.560
Si a partir de ahora solamente consume
datos que han sido generados

1202
00:59:27.560 --> 00:59:28.600
a su vez, podría.

1203
00:59:28.600 --> 00:59:31.800
A dónde nos puede llevar esto,
que es una de las cuestiones

1204
00:59:31.840 --> 00:59:34.800
más filosóficas
a los que no puede llevar esto

1205
00:59:34.800 --> 00:59:38.360
y eso que nos quede claro que
tenemos que revisar las respuestas

1206
00:59:38.400 --> 00:59:43.440
y que es una herramienta de apoyo
y que no, no tiene toda la verdad.

1207
00:59:43.880 --> 00:59:47.920
Y más allá de toda esta base
matemáticas que que nos ha dado Fernando

1208
00:59:47.920 --> 00:59:48.520
tío, fabuloso.

1209
00:59:48.520 --> 00:59:49.480
Pero bueno, que nos quedemos

1210
00:59:49.480 --> 00:59:52.480
con todo lo que hay detrás,
pero que si no lo entendemos no pasa nada,

1211
00:59:53.000 --> 00:59:56.280
pero que si conviene tener a lo mejor
conceptos claros como el de token.

1212
00:59:56.320 --> 00:59:58.320
Más que nada
porque cuando vayamos a utilizar,

1213
00:59:58.320 --> 01:00:01.760
por ejemplo CoPilot Chat, nos puede decir
ya no tiene más tokens,

1214
01:00:02.080 --> 01:00:05.040
significa que ya no podemos ir
metiendo más palabras,

1215
01:00:05.040 --> 01:00:08.840
aunque la correspondencia token palabra
no es uno uno pero menos parecido,

1216
01:00:08.880 --> 01:00:10.320
pues todo eso viene de ahí.

1217
01:00:10.320 --> 01:00:13.120
Ventana de contexto
que también ha mencionado Fernando.

1218
01:00:13.120 --> 01:00:14.360
Pues que los.

1219
01:00:14.360 --> 01:00:18.600
Si nos liamos a meter contenido
y contenido en un en un blog que ahora

1220
01:00:18.600 --> 01:00:22.200
no va a contar Javier, pues la guía se lía
porque tiene un límite.

1221
01:00:22.520 --> 01:00:27.200
Y así como otro concepto
que podamos destacar el tema del tamaño

1222
01:00:27.600 --> 01:00:32.400
cuando vemos lanzamientos, pues bien
hechas GPT 5.5 5.6 ya no sé por cuál va.

1223
01:00:32.560 --> 01:00:35.480
Pues todo eso
es que crecen en billones de parámetros

1224
01:00:35.480 --> 01:00:38.200
que son esto de las redes
que nos ha comentado Fernando.

1225
01:00:38.200 --> 01:00:41.560
Pues que sepamos un poco por dónde van
los tiros y no sé si hay más preguntas.

1226
01:00:41.600 --> 01:00:45.080
¿Voy a bien yo,
ya que ya que has arrancado,

1227
01:00:45.080 --> 01:00:48.480
me gustaría
aclarar una cosita adicional, eh?

1228
01:00:49.240 --> 01:00:50.240
Digamos, y es

1229
01:00:51.800 --> 01:00:53.440
quizás
a lo mejor lo vamos a hablar de esto.

1230
01:00:53.440 --> 01:00:54.960
Javier, si vas a hablar de esto me callo.

1231
01:00:54.960 --> 01:01:01.520
Si no lo comento y es todas estas
herramientas se puede acceder a ellas.

1232
01:01:01.520 --> 01:01:05.280
En principio hay versiones gratuitas,
pero no es lo mismo

1233
01:01:05.280 --> 01:01:08.800
la versión gratuita que la versión de pago
y hay que tener mucho cuidado

1234
01:01:08.880 --> 01:01:09.760
con lo que hacemos.

1235
01:01:09.760 --> 01:01:12.000
Mucho,
mucho cuidado de las versiones gratuitas,

1236
01:01:12.000 --> 01:01:15.720
porque los datos que subimos ahí,
pues puedan ser utilizados

1237
01:01:15.720 --> 01:01:20.200
por otras personas
y utilizarlos para entrenar otros modelos.

1238
01:01:20.520 --> 01:01:25.320
Y si lo que estamos pasando ahí
pues no sé, son temas económicos y demás,

1239
01:01:25.320 --> 01:01:28.080
pues hay que tener mucho
cuidado en ese sentido.

1240
01:01:28.080 --> 01:01:31.960
Desde la universidad
estamos intentando conseguir

1241
01:01:32.000 --> 01:01:36.960
y bueno, tendréis alguna noticia en breve,
el acceso a otras herramientas,

1242
01:01:37.000 --> 01:01:40.120
digamos de forma segura,
de forma corporativa,

1243
01:01:40.160 --> 01:01:43.160
versiones fesionales

1244
01:01:43.160 --> 01:01:46.720
para evitar bajo todos los conceptos,
utilizar versiones gratuitas en

1245
01:01:46.720 --> 01:01:50.800
las que digamos ahí pueden nuestros datos
pueden estar comprometidos.

1246
01:01:50.840 --> 01:01:55.200
Me dejo eso ahí, encima de la mesa, que
creo que es un tema muy relevante.

1247
01:01:55.240 --> 01:01:58.240
De acuerdo y todo tuyo. Javier.

1248
01:01:58.280 --> 01:02:01.360
Perfecto,
Pues nada, muchas, muchas gracias a todos.

1249
01:02:01.360 --> 01:02:04.000
A Fernando, Jessica, otro Fernando.

1250
01:02:04.000 --> 01:02:05.440
O sea, habéis

1251
01:02:05.440 --> 01:02:07.440
me habéis introducido
muy bien para esta segunda sesión,

1252
01:02:07.440 --> 01:02:09.840
que va a ser un poco más
práctica que la primera

1253
01:02:09.840 --> 01:02:14.480
y vamos a todos esos conocimientos
técnicos aplicarlos a través

1254
01:02:14.480 --> 01:02:16.280
de las herramientas que tenemos
ahora mismo

1255
01:02:16.280 --> 01:02:19.360
en nuestra disposición, que es CoPilot
Chat y como ha dicho Fernando.

1256
01:02:19.360 --> 01:02:22.400
Luego también voy a aclarar un poquito
ese tema de que ocurre

1257
01:02:22.400 --> 01:02:25.560
si utilizamos herramientas
que son gratuitas

1258
01:02:25.560 --> 01:02:29.440
y con las que no tenemos, digamos,
un convenio con la con universidad.

1259
01:02:29.440 --> 01:02:31.760
Entonces bueno, tengo por aquí también
el chat a mi lado.

1260
01:02:31.760 --> 01:02:35.760
Si hay cualquier duda abrís
el chat y directamente me preguntáis.

1261
01:02:35.840 --> 01:02:36.800
Y bueno, que no me presenté.

1262
01:02:36.800 --> 01:02:41.680
Yo soy Javier Javier Conde,
yo soy profesor en en teleco en el campus

1263
01:02:41.680 --> 01:02:44.920
de Moncloa y voy a daros este taller

1264
01:02:44.920 --> 01:02:49.000
sobre aspectos técnicos y económicos,
usando siempre

1265
01:02:49.720 --> 01:02:52.200
para para aplicar todos estos ejemplos.

1266
01:02:52.200 --> 01:02:56.600
Bueno, aquí en la presentación, que luego
la tendréis también tener diferentes

1267
01:02:56.840 --> 01:03:00.280
cursos y eventos de Primavera
Tech, hay muchos ya muy interesantes.

1268
01:03:00.600 --> 01:03:01.560
Os dejo ahí.

1269
01:03:01.560 --> 01:03:03.480
Os dejo ahí la referencia también.

1270
01:03:03.480 --> 01:03:07.200
Otra cosa que en la que he participado
yo, junto con muchas otras personas,

1271
01:03:07.720 --> 01:03:13.120
gente que seguro que está en esta llamada
y hemos hecho un un informe sobre cómo se

1272
01:03:13.120 --> 01:03:16.560
está aplicando la inteligencia artificial
en la educación superior.

1273
01:03:16.600 --> 01:03:19.880
Hicimos uno en la edición 2024
y otro en 2025.

1274
01:03:19.880 --> 01:03:23.720
Entonces tenéis ahí a vuestra disposición
y que se está enseñando un poco más

1275
01:03:23.720 --> 01:03:29.440
esa pauta docente, no tanto pasta
investigadora o de administrativa

1276
01:03:29.640 --> 01:03:33.040
como se está aplicando
ya hoy en día la y aquí en la UPM.

1277
01:03:33.720 --> 01:03:35.960
Pero bueno, en la agenda de hoy
voy a hablar un poquito

1278
01:03:35.960 --> 01:03:36.880
de una breve introducción

1279
01:03:36.880 --> 01:03:40.800
de herramientas y después vamos a centrar
sobre todo en técnicas de prompt

1280
01:03:40.800 --> 01:03:44.800
y con ejemplos, yo creo que muy prácticos,
de lo que se puede hacer hoy

1281
01:03:44.800 --> 01:03:49.280
en día y también qué limitaciones
tenemos hoy en día y tenemos que tener.

1282
01:03:49.280 --> 01:03:51.200
Tener en cuenta después

1283
01:03:51.200 --> 01:03:54.720
algo muy breve de costes
en el uso de la herramienta ya generativa.

1284
01:03:54.720 --> 01:03:59.680
Incluso si no nos da tiempo, esto se
puede, se puede pasar y aspectos técnicos

1285
01:03:59.720 --> 01:04:01.560
ligado un poco
con lo que comentó Fernando,

1286
01:04:01.560 --> 01:04:05.040
pero llevándolo
ya directamente a nuestro terreno.

1287
01:04:05.080 --> 01:04:07.520
Ya por último, unas unas conclusiones.

1288
01:04:07.520 --> 01:04:08.360
Entonces lo.

1289
01:04:08.360 --> 01:04:11.440
Lo primero como introducción
la inteligencia artificial

1290
01:04:11.560 --> 01:04:14.640
es una habilidad o competencia
que tenemos que tener todos,

1291
01:04:14.640 --> 01:04:18.280
ya seamos profesores,
investigadores, personal administrativo.

1292
01:04:18.960 --> 01:04:22.040
Ha venido un poco a cambiar
las reglas del juego en el mundo laboral

1293
01:04:22.040 --> 01:04:25.360
y tenemos que saber adaptarnos a ella
para saber adaptarnos a ella,

1294
01:04:25.400 --> 01:04:27.720
pues tenemos que saber sacarle
el máximo partido.

1295
01:04:27.720 --> 01:04:31.680
Y también yo creo que es muy importante
conocer sus limitaciones y riesgos,

1296
01:04:31.680 --> 01:04:36.160
pues vamos a ir viendo que no es infalible
esto ya solo exclusivo para docentes.

1297
01:04:36.160 --> 01:04:39.000
Sé que muchos no soy docentes,
pero también muchos sí

1298
01:04:39.000 --> 01:04:41.440
tenemos que tener
en cuenta que el estudiante lo utiliza

1299
01:04:41.440 --> 01:04:43.600
y entonces también
tenemos que de alguna forma

1300
01:04:43.600 --> 01:04:47.440
garantizar o ayudar al estudiante
a utilizarla de forma adecuada.

1301
01:04:47.440 --> 01:04:51.280
No siempre va a ser prohibir
prohibido su uso,

1302
01:04:51.680 --> 01:04:55.400
pero en algunos casos sí que
tenemos que dejarles claro como profesor

1303
01:04:55.400 --> 01:04:58.440
que pueden hacer y que no pueden hacer
con inteligencia artificial.

1304
01:04:59.600 --> 01:05:01.160
Me gusta enseñar varias

1305
01:05:01.160 --> 01:05:05.040
diapositivas de herramientas con enlaces

1306
01:05:05.200 --> 01:05:07.680
porque el ecosistema de herramientas
es muy amplio.

1307
01:05:07.680 --> 01:05:09.360
Aquí tenemos suerte en la universidad.

1308
01:05:09.360 --> 01:05:10.560
Pues que como tenemos licencias

1309
01:05:10.560 --> 01:05:13.880
con ciertas herramientas,
pues ese paradigma ya se nos reduce.

1310
01:05:13.880 --> 01:05:15.560
Entonces tenemos una suerte,
por un lado, de

1311
01:05:15.560 --> 01:05:19.200
que no tenemos que pensar
todo el rato que herramientas utilizar,

1312
01:05:19.360 --> 01:05:23.480
pero una ventaja que no podemos acceder
a todo ese mercado que sí existe.

1313
01:05:23.520 --> 01:05:27.440
Pero bueno, yo creo que es importante
a nivel de cultura general conocerlas,

1314
01:05:27.840 --> 01:05:33.000
ya sea no solo para nuestra vida laboral,
sino también para nuestra vida privada.

1315
01:05:33.200 --> 01:05:39.080
Entonces conocer el paradigma que hay y
muchas veces va a ocurrir que herramientas

1316
01:05:39.080 --> 01:05:43.000
o adquiera la universidad, licencias
o que incluso sean absorbidas,

1317
01:05:43.040 --> 01:05:46.040
pues en este caso,
por ejemplo por por CoPilot,

1318
01:05:46.040 --> 01:05:48.320
por tener un paradigma,
entonces esta slide.

1319
01:05:48.320 --> 01:05:51.000
Aquí tenéis un resumen de herramientas,
pero me gusta mucho más.

1320
01:05:51.000 --> 01:05:53.760
Esta es una tabla periódica.

1321
01:05:53.760 --> 01:05:55.920
No sé si todos conocéis
lo que es una tabla periódica,

1322
01:05:55.920 --> 01:05:58.040
pero bueno, básicamente
es una forma de estructurar

1323
01:05:58.040 --> 01:06:01.800
herramientas en función de
para qué sirven.

1324
01:06:02.280 --> 01:06:06.080
También en función freemium
con créditos gratuitos

1325
01:06:06.200 --> 01:06:10.600
y es una buena forma de esa gente
que no sabe muy bien por dónde empezar.

1326
01:06:11.040 --> 01:06:13.640
Conocer un poco
el paradigma que hay actualmente.

1327
01:06:13.640 --> 01:06:16.640
Después también en el otro extremo
está la gente que

1328
01:06:17.200 --> 01:06:20.600
está deseando siempre conocer
nuevas herramientas, nuevos usos.

1329
01:06:20.640 --> 01:06:22.640
Yo creo que
lo importante es un equilibrio,

1330
01:06:22.640 --> 01:06:26.280
ni dejarnos abandonados de que la IA
no va a servir para nada, ni tampoco

1331
01:06:26.280 --> 01:06:30.200
estar siempre a la última,
porque de no vas a llegar llegar a nada.

1332
01:06:30.360 --> 01:06:34.880
Mi consejo es siempre intentar aplicar
aquellos casos de uso que pueden ser

1333
01:06:34.880 --> 01:06:38.960
beneficiosos, beneficiosos tanto para
vuestra vida como para vuestro trabajo.

1334
01:06:39.080 --> 01:06:43.040
Y si hay momentos que tenéis libres,
ya sea durante la semana,

1335
01:06:43.080 --> 01:06:45.600
durante el fin de semana,
pues dedicarle media hora,

1336
01:06:45.600 --> 01:06:49.200
una hora a la semana a explorar
nuevos usos, nuevas herramientas,

1337
01:06:49.520 --> 01:06:51.920
porque así es como realmente,
realmente se aprende.

1338
01:06:52.960 --> 01:06:55.560
Entonces vamos
a empezar ya con con materia, con prompt.

1339
01:06:55.560 --> 01:06:57.040
¿Y entonces qué es esto?

1340
01:06:57.040 --> 01:06:58.600
De seguro que a muchos suena.

1341
01:06:58.600 --> 01:07:01.600
Yo creo que ya es un concepto
que casi todo nos tiene que sonar.

1342
01:07:01.680 --> 01:07:04.720
Es básicamente una instrucción
y la forma en la que nosotros

1343
01:07:04.720 --> 01:07:07.560
vamos a preguntar a las inteligencias
artificiales.

1344
01:07:07.560 --> 01:07:10.560
Y aquí es este un concepto
que se llama ingeniería de prompt.

1345
01:07:10.720 --> 01:07:13.720
A mí no me gusta nada
llamarlo y ya no considero esta,

1346
01:07:14.080 --> 01:07:17.280
pero bueno, mucha gente lo llama
así y para mí es el arte o la ciencia

1347
01:07:17.280 --> 01:07:20.840
de diseñar y optimizar estos
proms, es decir, de cómo hablar con ellos,

1348
01:07:20.920 --> 01:07:24.200
con la inteligencia artificial
y la realidad parece

1349
01:07:24.240 --> 01:07:26.520
puede ser muy complejo,
pero es bastante sencillo.

1350
01:07:26.520 --> 01:07:28.000
Yo siempre hago la analogía

1351
01:07:28.000 --> 01:07:30.480
que hablar con estos sistemas
de inteligencia artificial,

1352
01:07:30.480 --> 01:07:33.480
con estas herramientas,
es como hablar con una persona.

1353
01:07:33.480 --> 01:07:35.920
Entonces a una persona
le das unas instrucciones claras

1354
01:07:35.920 --> 01:07:40.120
paso a paso, eres específico
por la persona, va a entender la tarea.

1355
01:07:40.160 --> 01:07:44.560
Si en cambio se le explica de una forma
muy mala, eres muy vago en los detalles.

1356
01:07:45.040 --> 01:07:48.160
Muy subjetivo por la persona,
tampoco va a ser capaz de resolverla.

1357
01:07:48.200 --> 01:07:50.760
Pues esto si a estos sistemas
de inteligencia artificial

1358
01:07:50.760 --> 01:07:53.760
funcionan un poco,
un poco igual en esos términos.

1359
01:07:53.760 --> 01:07:57.400
Pero bueno, la que vamos a utilizar
en el taller y en la que tenemos

1360
01:07:57.400 --> 01:08:00.480
acceso a día de hoy en la universidad
con la licencia

1361
01:08:00.520 --> 01:08:04.440
que ya veremos después Para qué sirve
esa licencia es CoPilot.

1362
01:08:04.520 --> 01:08:07.480
Entonces, bueno, para aquellos que no lo
utilicéis tenéis este.

1363
01:08:07.480 --> 01:08:10.280
Este enlace
yo la tengo aquí abierta directamente.

1364
01:08:10.280 --> 01:08:13.280
También podéis instalarla
como aplicación de escritorio.

1365
01:08:13.400 --> 01:08:16.240
Bueno, las funcionalidades son
muy parecidas y aquí la ves.

1366
01:08:16.240 --> 01:08:20.520
Esta es mi mi ventana de CoPilot
y es muy parecido a GPT,

1367
01:08:20.640 --> 01:08:25.160
que seguramente que es la que conocéis
casi todos porque es la que primero llegó

1368
01:08:25.160 --> 01:08:28.160
en este,
en esta revolución de la idea generativa

1369
01:08:28.160 --> 01:08:31.160
y todas las demás empresas
pues básicamente copiaron un poco

1370
01:08:31.160 --> 01:08:34.160
esa idea de tener un sistema,
un chatbot con el

1371
01:08:34.160 --> 01:08:37.160
que preguntar las cosas
y eso sigue perdurando a día de hoy.

1372
01:08:37.240 --> 01:08:40.960
Entonces un prompt básicamente
preguntarle a través de este,

1373
01:08:40.960 --> 01:08:44.960
de este chat, digamos de CoPilot,
cualquier instrucción.

1374
01:08:44.960 --> 01:08:48.520
En este caso se enseña que un ejemplo de
explícame que es un pronto y me devuelve

1375
01:08:48.560 --> 01:08:53.640
pues aquello que considera CoPilot
que es un robot es.

1376
01:08:53.640 --> 01:08:58.000
Una cosa que sí que me gustaría
ya destacar es que en CoPilot,

1377
01:08:58.000 --> 01:09:01.680
que es de Microsoft por dentro,
utiliza los modelos de OpenAI.

1378
01:09:02.240 --> 01:09:03.720
De hecho, si nos vamos aquí

1379
01:09:05.040 --> 01:09:07.000
a la pestañita de

1380
01:09:07.000 --> 01:09:11.120
perdonar de arriba que puedo seleccionar,
vemos que pone GPT,

1381
01:09:11.160 --> 01:09:15.120
pone GPT tres GPT cinco cuatro GPT 5252.

1382
01:09:15.160 --> 01:09:18.800
Bueno, son diferentes modelos
que en este caso son todos de OpenAI, pues

1383
01:09:18.800 --> 01:09:23.200
hay un acuerdo entre OpenAI y Microsoft
y por dentro utiliza sus modelos.

1384
01:09:24.000 --> 01:09:27.000
A veces no es
funcionan exactamente igual que en,

1385
01:09:27.520 --> 01:09:30.800
pero bueno, intentan parecerlo
lo máximo posible.

1386
01:09:30.840 --> 01:09:36.000
Si son problemas de integración, bueno,
no vamos a entrar a entrar en ellos.

1387
01:09:36.200 --> 01:09:38.360
Entonces la realidad,
como he dicho, es decir,

1388
01:09:38.360 --> 01:09:42.280
cuanto mejor sea nuestras preguntas,
mejor van a ser nuestras respuestas.

1389
01:09:42.440 --> 01:09:45.000
Esto lo voy a enseñar con un ejemplito.

1390
01:09:45.000 --> 01:09:48.440
De hecho es una investigación
que hicimos nosotros hace un año ya.

1391
01:09:48.520 --> 01:09:51.080
Los datos han cambiado,
pero bueno, la esencia es la misma.

1392
01:09:51.080 --> 01:09:53.800
Simplemente le planteamos un acertijo.

1393
01:09:53.800 --> 01:09:57.640
¿GPT era en este caso
y si le planteamos el acertijo

1394
01:09:57.640 --> 01:10:00.640
tal cual, fijaos que la pregunta es
cuántas pelotas de golf azules hay?

1395
01:10:00.760 --> 01:10:03.080
Es un poco más complejo si lo leemos.

1396
01:10:03.080 --> 01:10:06.400
Si no le decíamos nada más,
eso se lo pasábamos a muchas ideas

1397
01:10:06.400 --> 01:10:10.560
y solo el 17% eran capaces de responder
de forma adecuada.

1398
01:10:10.960 --> 01:10:15.240
En cambio, si le añadíamos simplemente un
vamos a pensar o piensa paso a paso

1399
01:10:15.240 --> 01:10:20.960
al final de nuestro prompt, ya está por
por 100 de las ideas acertaban o el 58%.

1400
01:10:21.160 --> 01:10:22.440
Es decir, darle unos

1401
01:10:23.680 --> 01:10:24.080
pasos

1402
01:10:24.080 --> 01:10:27.160
adecuados, unas preguntas adecuadas
incluso es tan simple como decirle

1403
01:10:27.200 --> 01:10:30.200
oye, no me respondas directamente,
vamos a hacerlo poquito a poco

1404
01:10:30.240 --> 01:10:33.720
e ir orientándolo hace que los resultados
sean mucho más beneficiosos,

1405
01:10:33.800 --> 01:10:37.200
pues todas aquellas personas que lo
usáis decís esto funciona fatal.

1406
01:10:37.240 --> 01:10:39.360
Muchas veces el error es que

1407
01:10:39.360 --> 01:10:42.360
la forma en la que le estamos preguntando
no es la mejor posible.

1408
01:10:42.800 --> 01:10:46.160
Entonces aquí lo que es básicamente
es explicar cómo hacer buenos prompts.

1409
01:10:46.560 --> 01:10:47.640
Va a ser sentido

1410
01:10:47.640 --> 01:10:51.240
común, pero muchas veces el sentido común
es complicado llegar a él.

1411
01:10:51.560 --> 01:10:54.560
Bueno, pues aquí os enseño unas guías

1412
01:10:54.640 --> 01:10:57.080
para que todas las tengamos presentes.

1413
01:10:57.080 --> 01:11:00.320
¿La primera es claridad y concisión,
es decir, debe ser claro y directo, no

1414
01:11:00.720 --> 01:11:05.000
por las ramas, evitando además
ser específico

1415
01:11:06.360 --> 01:11:09.120
explícitamente,
pues qué tipo de texto quieres obtener?

1416
01:11:09.120 --> 01:11:10.560
Oye, mira, quiero tener un poema.

1417
01:11:10.560 --> 01:11:13.800
Quiero tener un ensayo,
Quiero tener un texto legal.

1418
01:11:14.120 --> 01:11:15.880
Quiero tener un tono formal e informal.

1419
01:11:15.880 --> 01:11:17.840
Eso significa ser específico.

1420
01:11:17.840 --> 01:11:20.160
Lo bueno de estas ideas
es que tú le puedes pedir

1421
01:11:20.160 --> 01:11:22.040
que se adapte a cualquier tono.

1422
01:11:22.040 --> 01:11:24.320
Incluso puedes pedirle
si es una cosa muy compleja,

1423
01:11:24.320 --> 01:11:28.760
que te lo explique como si fueras un niño
de cinco años y va a adaptar el tono

1424
01:11:28.800 --> 01:11:32.400
y poniéndote ejemplos muy muy sencillos
también instrucciones

1425
01:11:32.560 --> 01:11:33.720
Oye, mira qué es lo que quiero.

1426
01:11:33.720 --> 01:11:38.920
Igual lo que quiero es que me respondas
una pregunta o me compares

1427
01:11:38.960 --> 01:11:42.120
dos dos textos o que me lo contraste,
analices.

1428
01:11:42.160 --> 01:11:43.240
No va a ser todo, responde.

1429
01:11:43.240 --> 01:11:46.120
¿Me preguntas
Puedo ser más específico con la tarea?

1430
01:11:46.120 --> 01:11:49.120
Aquí veo en el chat que le puedes decir
no inventes nada.

1431
01:11:49.360 --> 01:11:50.760
Ojalá eso funcionara.

1432
01:11:50.760 --> 01:11:54.000
Cuando tú le dices no inventes nada
el modelo, pues como una persona tú se lo

1433
01:11:54.000 --> 01:11:58.760
das. La persona tiene sus conocimientos
y tampoco va a saber a ciencia cierta

1434
01:11:58.800 --> 01:12:02.640
que se está inventando
o que realmente es algo que tiene factual.

1435
01:12:02.720 --> 01:12:06.720
Para eso hay herramientas como Notebook,
LM o incluso el propio CoPilot.

1436
01:12:06.720 --> 01:12:09.880
Si le pasamos documentos
que le vamos a alimentar, más

1437
01:12:09.880 --> 01:12:13.160
las fuentes de información
en las que va a beber esa esos datos.

1438
01:12:13.200 --> 01:12:17.720
Pero cuando le preguntamos no inventes
nada, no vamos a asegurar asegurarnos que

1439
01:12:17.760 --> 01:12:20.800
que no se vaya a inventar nada
el contexto.

1440
01:12:20.840 --> 01:12:22.720
Esto es importantísimo.

1441
01:12:22.720 --> 01:12:25.200
Los modelos al final
solo saben la información

1442
01:12:25.200 --> 01:12:28.000
con la que han sido entrenados
y a veces ni eso.

1443
01:12:28.000 --> 01:12:31.000
Entonces, muchas veces
los modelos no van a tener el contexto

1444
01:12:31.200 --> 01:12:34.080
sobre la Universidad Politécnica de Madrid
o determinado

1445
01:12:34.080 --> 01:12:38.080
procedimiento administrativo o determinado
problemática que tengamos.

1446
01:12:38.120 --> 01:12:41.120
Entonces es muy importante pasársela
ya sea a través de ficheros,

1447
01:12:41.120 --> 01:12:42.680
ya sea a través del propio prompt.

1448
01:12:42.680 --> 01:12:44.680
Decirle
oye, mira, te voy a explicar, estoy en

1449
01:12:46.040 --> 01:12:47.840
la UPM que trata sobre esto, esto.

1450
01:12:47.840 --> 01:12:51.720
Ese contexto es vital y también
es importante que ese contexto quepa

1451
01:12:51.720 --> 01:12:56.200
y no seamos muy generosos, digamos,
y quepa la ventana de contexto.

1452
01:12:56.240 --> 01:12:59.240
Y has comentado antes, Fernando,
vamos a ir viéndolo

1453
01:12:59.320 --> 01:13:02.320
con ejemplos también ejemplos.

1454
01:13:02.440 --> 01:13:05.240
Si tienes ya ejemplos de lo que tú
quieres, pasárselos

1455
01:13:05.240 --> 01:13:08.240
así se va a dar muy bien
a lo que tú necesitas.

1456
01:13:08.520 --> 01:13:12.640
Por ejemplo, si necesitamos
que tengas un lenguaje de cierta forma

1457
01:13:12.680 --> 01:13:17.240
pasa el ejemplos de textos en que utilices
ese lenguaje y va a intentar imitarlo.

1458
01:13:17.240 --> 01:13:19.720
La forma en la que tú hablas, por ejemplo.

1459
01:13:19.720 --> 01:13:23.200
Yo creo que estas características de
buen prompt es importante tenerlas,

1460
01:13:23.240 --> 01:13:24.600
tenerlas en mente.

1461
01:13:24.600 --> 01:13:28.600
Pero bueno, os pongo aquí varios ejemplos
de pronto que yo creo que son efectivos.

1462
01:13:28.640 --> 01:13:30.000
Este primero está orientado

1463
01:13:30.000 --> 01:13:34.120
a docentes, después vemos uno adaptado
a personal administrativo.

1464
01:13:34.320 --> 01:13:38.040
En este caso lo que necesito
es hacer una guía de una asignatura

1465
01:13:38.040 --> 01:13:41.360
en diseño de una asignatura y fijaros
qué pedazo prompt le estoy pidiendo.

1466
01:13:41.360 --> 01:13:43.560
Oye, imagina
que eres un docente de universidad.

1467
01:13:43.560 --> 01:13:47.320
Sería Le estoy poniendo en un papel,
en un rol y que tiene que enseñar

1468
01:13:47.320 --> 01:13:50.400
un curso sobre la aplicación
de la inteligencia artificial, Educación,

1469
01:13:51.200 --> 01:13:53.760
como sería este taller, para entendernos,

1470
01:13:53.760 --> 01:13:56.480
con el objetivo de proporcionar
a otros profesores una comprensión

1471
01:13:56.480 --> 01:13:59.480
profunda de cómo la IA puede transformar
el sector educativo.

1472
01:13:59.920 --> 01:14:02.840
La asignatura
debe ser adecuada para profesores

1473
01:14:02.840 --> 01:14:05.880
de universidad en áreas como ingeniería,
arquitectura, ciencia, deporte.

1474
01:14:06.040 --> 01:14:06.400
¿Veis?

1475
01:14:06.400 --> 01:14:10.040
Le estoy dando el contexto, en este caso
de la UPM, que son las carreras

1476
01:14:10.040 --> 01:14:13.760
que tenemos y además
le voy diciendo lo que yo quiero.

1477
01:14:13.800 --> 01:14:17.560
Oye, quiero que incluyas objetivos
de aprendizaje, temario,

1478
01:14:17.560 --> 01:14:20.600
metodología de enseñanza, evaluación
y por último el tono.

1479
01:14:20.640 --> 01:14:22.480
El tono debe ser académico y detallado,

1480
01:14:22.480 --> 01:14:25.480
adecuado para el diseño curricular
de una asignatura universitaria,

1481
01:14:25.560 --> 01:14:26.520
etcétera, etcétera.

1482
01:14:26.520 --> 01:14:29.200
Veis,
es un pro muy amplio, con muchos detalles

1483
01:14:29.200 --> 01:14:31.720
y esto me va a garantizar
que el resultado sea mucho mejor,

1484
01:14:31.720 --> 01:14:33.840
que se le pongo directamente
una frase de diseñar

1485
01:14:33.840 --> 01:14:36.400
una asignatura de inteligencia artificial.

1486
01:14:36.400 --> 01:14:40.000
Incluso le podría haber dicho que era para
la UPM y seguro que los resultados son

1487
01:14:40.040 --> 01:14:41.320
son mejores.

1488
01:14:41.320 --> 01:14:43.600
Lo que voy a hacer
ahora es copiar este texto

1489
01:14:43.600 --> 01:14:46.720
y me lo voy a llevar directamente
aquí a CoPilot.

1490
01:14:47.160 --> 01:14:51.720
Y de hecho, esto es lo que acabo de hacer,
copiar todo ese prompt y se lo paso

1491
01:14:52.120 --> 01:14:55.880
y ya vamos a ir viendo cómo
los resultados se van a ir amoldando

1492
01:14:55.920 --> 01:14:57.680
a lo que yo le estoy pidiendo.

1493
01:14:57.680 --> 01:14:59.880
Cosas que ocurren
a veces que a mí no me gusta mucho.

1494
01:14:59.880 --> 01:15:02.080
Pues que te pone este tipo de texto
introductorio.

1495
01:15:02.080 --> 01:15:03.560
Esto lo hacen casi todos los modelos.

1496
01:15:03.560 --> 01:15:05.880
A continuación
se propone el diseño curricular.

1497
01:15:05.880 --> 01:15:06.600
Etcétera etcétera.

1498
01:15:06.600 --> 01:15:09.720
Pues muchas veces yo creo que
ya entres en temario, incluso en este caso

1499
01:15:09.720 --> 01:15:14.040
fue poco explícito porque a veces te dice
si te voy a responder a tu pregunta aquí.

1500
01:15:14.040 --> 01:15:16.200
Bueno, se lo escucha un poco con

1501
01:15:17.480 --> 01:15:20.480
el texto
que nos podríamos llegar a imaginar,

1502
01:15:20.520 --> 01:15:23.520
pero bueno, aquí ya vemos todos los.

1503
01:15:24.480 --> 01:15:26.600
No sé si se ve bien la pantalla.

1504
01:15:26.600 --> 01:15:28.040
Vale, veo que sí.

1505
01:15:28.040 --> 01:15:32.040
En aquí se ven ya todos los detalles.

1506
01:15:32.160 --> 01:15:33.760
Descripción general de la asignatura

1507
01:15:33.760 --> 01:15:36.440
La rápida evolución
de la inteligencia artificial.

1508
01:15:36.440 --> 01:15:39.960
Objetivos de aprendizaje que todos los
que lo pedí en formato objetivos

1509
01:15:40.680 --> 01:15:43.840
que era lo que le pedía dentro del temario
y me lo da en módulos con módulos

1510
01:15:43.840 --> 01:15:47.080
con sus submódulos, que era justo
exactamente lo que le pedía en el prompt.

1511
01:15:47.280 --> 01:15:50.520
Es decir, se adapta
exactamente a mis necesidades.

1512
01:15:50.520 --> 01:15:52.840
La metodología de enseñanza
a la evaluación

1513
01:15:52.840 --> 01:15:56.000
me propone una evaluación
que aquí ni siquiera en el bronce la puse.

1514
01:15:56.440 --> 01:15:59.720
Esa evaluación por porcentajes
aquí me la propone.

1515
01:15:59.760 --> 01:16:01.400
Si me gusta, pues la cojo.

1516
01:16:01.400 --> 01:16:07.080
No le puedo decir,
solo quiero que haya un examen final,

1517
01:16:07.120 --> 01:16:11.080
una población y el sistema
lo que va a hacer es adaptarse

1518
01:16:11.080 --> 01:16:16.120
a esas necesidades que yo le estoy,
le estoy pasando en cada en cada momento.

1519
01:16:16.160 --> 01:16:18.520
Aquí si os fijáis,
en vez de devolverme todo

1520
01:16:18.520 --> 01:16:20.240
directamente me devuelve solo esa sección.

1521
01:16:20.240 --> 01:16:24.480
Cinco con evaluación con un examen final
de 100% de la calificación.

1522
01:16:24.720 --> 01:16:27.280
Como vemos,
es un proceso iterativo en el que yo

1523
01:16:27.280 --> 01:16:30.600
voy a tener que ir pidiéndole cosas
y me va a ir devolviendo.

1524
01:16:30.640 --> 01:16:33.840
Aquí ya os quiero llamar la atención
en cosillas que he visto

1525
01:16:33.840 --> 01:16:36.840
en el propio pronta respuesta

1526
01:16:37.080 --> 01:16:39.920
que me gustan siempre, siempre decir

1527
01:16:40.880 --> 01:16:43.240
bueno, aquí no lo veo tan tan claro.

1528
01:16:43.240 --> 01:16:46.320
A veces encuentro alguno
pensaba que sí, pero no,

1529
01:16:47.600 --> 01:16:49.600
también
porque he sido muy claro en el Bronx.

1530
01:16:49.600 --> 01:16:52.680
Vais a ver muchas veces
que estos modelos tienen sesgos

1531
01:16:52.680 --> 01:16:55.680
y te incluyen ciertas formas de actuar.

1532
01:16:55.680 --> 01:16:58.640
Una forma de actuar es que están llenos

1533
01:16:58.640 --> 01:17:02.000
habitualmente de guiones
como estos que veis aquí.

1534
01:17:02.000 --> 01:17:03.000
Enseñanza aprendizaje.

1535
01:17:03.000 --> 01:17:05.200
Estaba buscando alguno,
pero lo he visto que en este pronto

1536
01:17:05.200 --> 01:17:07.480
el salto no nos lo ha devuelto.

1537
01:17:07.480 --> 01:17:08.880
Para separar aclaraciones.

1538
01:17:08.880 --> 01:17:12.240
En España no utilizamos guiones,
utilizamos paréntesis o comas.

1539
01:17:12.360 --> 01:17:13.720
Entonces si vemos un texto,

1540
01:17:13.720 --> 01:17:16.680
el que lo publicamos en la web de la UPM
con esos guiones,

1541
01:17:16.680 --> 01:17:19.920
a la gente le va a sonar muy raro
porque no la forma de escribir en España.

1542
01:17:20.200 --> 01:17:24.160
Eso sí es muy típico en hablantes
anglosajones, pero no en España.

1543
01:17:24.280 --> 01:17:27.960
Nosotros tenemos que evitar los otros
sesgo muy típicos que te devuelva todo

1544
01:17:27.960 --> 01:17:29.400
en formato listas.

1545
01:17:29.400 --> 01:17:32.480
Si os fijáis aquí, como yo
he sido tan explícito en mi prompt,

1546
01:17:32.680 --> 01:17:35.520
no me ha devuelto todo
lleno de listas, salvo las cosas que yo

1547
01:17:35.520 --> 01:17:37.600
le pedí que fuesen listas.

1548
01:17:37.600 --> 01:17:41.720
Esas cosas las vas a tener que ir
experimentando a medida que vayáis jugando

1549
01:17:41.720 --> 01:17:46.920
con con diferentes props y vais a ver
cómo va a mejorar la cosa poco a poco.

1550
01:17:48.560 --> 01:17:50.200
Estoy leyendo por aquí en el chat.

1551
01:17:50.200 --> 01:17:51.160
Si llega una respuesta

1552
01:17:51.160 --> 01:17:54.840
que consideras definitiva lo dejas, pero
dentro de tres días vuelves al prompt.

1553
01:17:54.960 --> 01:17:57.920
¿Se acuerda o hay que darle de nuevo
todo el prompt contexto?

1554
01:17:57.920 --> 01:18:03.440
Vale, eso es muy buena pregunta
y aprovecho y lo enseño con el chat.

1555
01:18:03.680 --> 01:18:07.560
Si yo ahora mismo
esto me quedo aquí en esta tarea y

1556
01:18:08.200 --> 01:18:11.280
y digamos que me paso a hacer

1557
01:18:11.280 --> 01:18:14.760
otras tareas y vuelvo dentro de cinco días
a la misma conversación.

1558
01:18:14.760 --> 01:18:16.120
Esto es lo importante.

1559
01:18:16.120 --> 01:18:18.280
Tengo que volver a la misma conversación.

1560
01:18:18.280 --> 01:18:22.320
¿De hecho, normalmente aquí puedes buscar
en conversaciones pasadas, vale?

1561
01:18:22.480 --> 01:18:26.800
O incluso entro en archivos,
Pero si vuelvo a la misma conversación,

1562
01:18:27.280 --> 01:18:30.280
he aquí los chats pasados.

1563
01:18:30.920 --> 01:18:33.760
Imaginaros que ahora vuelvo
yo a este chat, que no sé

1564
01:18:33.760 --> 01:18:36.760
de qué va desde hace cinco días.

1565
01:18:36.760 --> 01:18:38.480
Si vuelvo a escribirle aquí,

1566
01:18:38.480 --> 01:18:42.520
él permanece la memoria con ese chat,
con lo que tenía en ese hecho previamente.

1567
01:18:42.720 --> 01:18:45.760
Si empiezo una nueva conversación, ahí sí

1568
01:18:45.760 --> 01:18:49.440
que voy a tener que darle de nuevo
el contexto de cero, ya no acordarse.

1569
01:18:49.560 --> 01:18:50.560
¿Te acuerdas

1570
01:18:52.240 --> 01:18:55.240
de la asignatura? Es

1571
01:18:55.800 --> 01:18:58.800
dábamos diseñando.

1572
01:18:58.840 --> 01:19:00.600
En teoría no se debería de acordar.

1573
01:19:00.600 --> 01:19:01.280
Si se acuerda ahora

1574
01:19:01.280 --> 01:19:04.440
es porque igual Copei lo tiene integrado,
que pueda mirar en otros chats,

1575
01:19:04.480 --> 01:19:08.000
pero bueno, ya veis que no, ahora mismo
lo tengo en contexto en esta conversación

1576
01:19:08.000 --> 01:19:09.120
sobre esa asignatura.

1577
01:19:09.120 --> 01:19:12.120
Sin embargo, si me vuelvo
aunque sea dentro de cinco días

1578
01:19:12.400 --> 01:19:15.400
a la conversación.

1579
01:19:16.520 --> 01:19:18.760
De la asignatura de

1580
01:19:18.760 --> 01:19:21.760
Estamos diseñando.

1581
01:19:23.520 --> 01:19:25.360
Bueno, a decir que obviamente si claro,

1582
01:19:25.360 --> 01:19:27.120
estamos diseñando
la asignatura universitaria

1583
01:19:27.120 --> 01:19:29.240
sobre la aplicación
de la inteligencia artificial,

1584
01:19:29.240 --> 01:19:31.040
entonces cositas
que tenemos que tener claras.

1585
01:19:31.040 --> 01:19:32.600
Por eso es bueno no mezclar.

1586
01:19:32.600 --> 01:19:36.920
Si voy a hablar de otra cosa, abro nuevo
chat y además si me interesa mucho

1587
01:19:37.120 --> 01:19:40.120
este chat,
lo puedo incluso cambiar el nombre

1588
01:19:41.000 --> 01:19:44.920
para que me acuerde de diseño asignatura

1589
01:19:46.200 --> 01:19:49.800
y así ya lo tengo ahí, ahí marcado.

1590
01:19:50.560 --> 01:19:53.360
Bien, vamos a otro ejemplo de.

1591
01:19:53.360 --> 01:19:57.080
De pronto este mes de hacer
el front entero voy a ir poquito a poco

1592
01:19:57.680 --> 01:20:01.920
y lo que le voy a pedir son caso para
aplicable a cualquier tipo de persona,

1593
01:20:01.920 --> 01:20:04.920
ya sea personal, administrativo,
como personal

1594
01:20:05.080 --> 01:20:06.800
de investigación, como profesores.

1595
01:20:06.800 --> 01:20:08.840
¿Pues oye,
qué tipos de contratos de investigación

1596
01:20:08.840 --> 01:20:10.520
existen en España actualmente?

1597
01:20:10.520 --> 01:20:11.160
Y ya le digo

1598
01:20:11.160 --> 01:20:14.720
oye, que solo quiero una lista y al final
una tabla comparativa de todos ellos

1599
01:20:15.000 --> 01:20:19.040
en una forma explícita, diciéndole
lo que quiero y lo que no quiero

1600
01:20:19.200 --> 01:20:20.320
y lo que va a hacer es llevármelo.

1601
01:20:20.320 --> 01:20:25.040
Entonces abro un nuevo chat, como
os digo yo que es buena idea siempre.

1602
01:20:25.240 --> 01:20:28.840
Si cambiamos de tema totalmente,
pues no vamos a dejar cosas.

1603
01:20:30.120 --> 01:20:33.000
¿Qué tipo de contrato de investigación
existe en España actualmente?

1604
01:20:33.000 --> 01:20:37.000
Que solo quiero una lista y al final
una tabla comparativa de todos ellos.

1605
01:20:37.120 --> 01:20:39.480
Aquí se os fijáis
y ya os voy a adelantar dos cosas.

1606
01:20:39.480 --> 01:20:41.360
Pone Alineando cosas.

1607
01:20:41.360 --> 01:20:44.960
Esto lo que significa
es que va a estar buscando en internet

1608
01:20:44.960 --> 01:20:46.760
posiblemente esta información.

1609
01:20:46.760 --> 01:20:50.240
Cuando los sistemas detectan
que hay cosas que pueden encontrar

1610
01:20:50.240 --> 01:20:54.200
la mejor en Internet que con lo que saben
ellos internamente, muchas veces

1611
01:20:54.200 --> 01:20:57.240
van a hacer una búsqueda primero
en Internet, es lo que acaba de hacer.

1612
01:20:57.520 --> 01:20:59.000
Y aquí pues llamada de vuelta.

1613
01:20:59.000 --> 01:21:01.640
A continuación te indico
los tipos de contrato de investigación

1614
01:21:01.640 --> 01:21:06.080
vigentes en España y solo me da la lista
y al final una tabla o esos.

1615
01:21:06.080 --> 01:21:08.840
Pero yo. Lista de tipos de contratos.
Contrato productora.

1616
01:21:08.840 --> 01:21:11.560
El acceso de personal Investigador Doctor.

1617
01:21:11.560 --> 01:21:13.160
Contrato de investigador distinguido.

1618
01:21:13.160 --> 01:21:17.400
Contrato de actividades
científico técnicas y una tabla de ellos.

1619
01:21:17.440 --> 01:21:21.200
Bueno, vemos
que yo creo que aquí faltan algunos en.

1620
01:21:21.720 --> 01:21:24.800
O sea que los resultados
no siempre son son los

1621
01:21:25.920 --> 01:21:27.720
óptimos

1622
01:21:27.720 --> 01:21:31.520
y a mi gusto sí que me gustaría
que falta alguno más,

1623
01:21:31.560 --> 01:21:35.320
pero vemos como a nivel de contenido
me has devuelto

1624
01:21:35.320 --> 01:21:37.120
lo que yo te he pedido, nada más ni nada
menos.

1625
01:21:37.120 --> 01:21:39.080
Una lista y una tabla comparativa.

1626
01:21:39.080 --> 01:21:43.480
¿Me dices etapa de investigador, duración,
Navidad principal, etcétera,

1627
01:21:43.480 --> 01:21:46.600
etcétera Además me dice importante
de dónde lo has sacado?

1628
01:21:46.640 --> 01:21:48.560
Estos son los orígenes.

1629
01:21:48.560 --> 01:21:52.040
Como os dije, parecía que se quedó un rato
ahí pensando eso

1630
01:21:52.080 --> 01:21:56.520
de que había ido a buscar en internet
y en concreto ha consultado estas fuentes

1631
01:21:56.520 --> 01:21:59.520
de información para devolverme la
la respuesta.

1632
01:22:00.440 --> 01:22:02.960
Además, me propones
Oye, si quieres profundizar,

1633
01:22:02.960 --> 01:22:06.280
pues puedes preguntarme sobre esto,
añadir ejemplos prácticos.

1634
01:22:06.280 --> 01:22:06.480
¿Veis?

1635
01:22:06.480 --> 01:22:09.360
Aquí ya incluyo
otros tipos de de contratos

1636
01:22:09.360 --> 01:22:12.720
que pensaba que me iba a devolver
FPI Juan de la Cierva, Ramón y Cajal

1637
01:22:12.760 --> 01:22:14.960
ya me lo está sugiriendo entonces
y veo que es un completo.

1638
01:22:14.960 --> 01:22:18.520
Puedo aprovechar
y decirle que sea más completo.

1639
01:22:19.000 --> 01:22:21.320
Ahí tenemos que ser exactamente ejemplos.

1640
01:22:22.640 --> 01:22:23.480
Como vemos,

1641
01:22:23.480 --> 01:22:27.880
esto es justo el resultado
y vamos a ir después

1642
01:22:27.880 --> 01:22:32.480
a lo largo de la de la sesión,
perfeccionando estas tareas.

1643
01:22:32.520 --> 01:22:35.480
Aquí simplemente os estoy dando

1644
01:22:35.480 --> 01:22:39.040
resultados muy, muy sencillos.

1645
01:22:39.320 --> 01:22:42.320
Como digo, lo ideal
es ir perfeccionándose.

1646
01:22:42.600 --> 01:22:47.080
Una cosa que sirve para perfeccionarse
es si nosotros vamos a tener una tarea

1647
01:22:47.080 --> 01:22:51.400
bastante repetitiva
y esto nos ocurre a muchos en nuestro

1648
01:22:51.440 --> 01:22:54.760
en nuestro trabajo,
pues esto es una capacidad.

1649
01:22:54.800 --> 01:22:57.960
En CoPilot vamos a tratarlo con un agente

1650
01:22:57.960 --> 01:23:01.640
en otro sistema se llaman System Prompt,
que es donde tú defines

1651
01:23:01.640 --> 01:23:05.640
ese rol o comportamiento general
que quieres que tenga Tu modelo.

1652
01:23:05.760 --> 01:23:09.000
Es como oye, mira,
yo quiero que te comportes así en toda la

1653
01:23:09.000 --> 01:23:13.000
conversación, en me defino al principio
también se puede hacer al principio,

1654
01:23:13.160 --> 01:23:15.000
si puedes definirlo en un sistema prompt,

1655
01:23:15.000 --> 01:23:18.080
si sobre todo va a ser una tarea
que vas a repetir muchas veces,

1656
01:23:18.400 --> 01:23:21.440
pues definido como system prompt
y es como la receta de lo que yo

1657
01:23:21.440 --> 01:23:24.680
quiero que tú te comportes y después
vamos a tener el prompt

1658
01:23:24.720 --> 01:23:28.680
que es el de usuario, que es
la conversación típica donde ya oye,

1659
01:23:28.760 --> 01:23:32.720
sabiendo que tú te vas a comportar así,
te voy a preguntar por algo específico

1660
01:23:32.880 --> 01:23:36.440
para aquí tenemos varios ejemplos
donde tenemos en rojo el system prompt.

1661
01:23:36.440 --> 01:23:39.760
Pues oye, eres un corrector
de faltas ortográficas y de puntuación.

1662
01:23:39.760 --> 01:23:42.040
Solamente
debes indicarme las faltas de ortografía

1663
01:23:42.040 --> 01:23:44.360
o indicar correcto
cuando todo esté correcto.

1664
01:23:44.360 --> 01:23:47.960
Es decir, le estoy indicando aquel modelo
que no tiene que hacer nada más

1665
01:23:48.000 --> 01:23:49.080
ni explicarme nada más.

1666
01:23:49.080 --> 01:23:53.400
Simplemente corrígeme ortográficamente
o indícame si está correcto.

1667
01:23:53.520 --> 01:23:56.800
Y en azul tenemos pues el correspondiente,

1668
01:23:56.800 --> 01:23:59.800
que sería la pantalla de del chat,

1669
01:23:59.880 --> 01:24:02.240
donde hoy estoy en el taller
de Inteligencia artificial

1670
01:24:02.240 --> 01:24:05.480
con fallos ortográficos
y aquí me espero que simplemente

1671
01:24:05.480 --> 01:24:08.880
me devuelvas, me devuelvas eso
aquí os lo enseño con otro ejemplito.

1672
01:24:08.880 --> 01:24:13.400
Pero yo creo que lo más sencillo,
pues como siempre, es verlo en la práctica

1673
01:24:13.600 --> 01:24:16.600
de lo que voy a hacer
aquí es bueno nuevo chat

1674
01:24:17.040 --> 01:24:19.080
y lo que voy a hacer es un nuevo agente

1675
01:24:20.120 --> 01:24:23.080
para profesionalizarnos en agentes.

1676
01:24:23.080 --> 01:24:26.240
No sé si hay alguna alguna sesión más

1677
01:24:26.240 --> 01:24:29.240
relacionada con esto, pero no voy a entrar
en todos los detalles.

1678
01:24:29.240 --> 01:24:30.840
Así que sí, Javier, ahí

1679
01:24:30.840 --> 01:24:34.960
hay alguna sesión posterior para hablar
en concreto de la parte de agentes.

1680
01:24:35.280 --> 01:24:39.800
Perfecto, Entonces solo me voy a quedar
con lo superficie de la gente que va a ser

1681
01:24:39.800 --> 01:24:42.520
poner el nombre. Así que yo le voy a dar
el nombre que yo quiera.

1682
01:24:42.520 --> 01:24:45.240
Pues Pepito, vale.

1683
01:24:45.240 --> 01:24:47.000
Y aquí es la descripción y la instrucción.

1684
01:24:47.000 --> 01:24:49.080
Esto sería nuestro system prompt.

1685
01:24:49.080 --> 01:24:52.280
Vale, pues aquí
yo le puedo decir que como instrucción

1686
01:24:53.200 --> 01:24:55.800
y que me traduzcas

1687
01:24:55.800 --> 01:24:58.800
todo lo que te ponga al inglés

1688
01:25:00.120 --> 01:25:03.840
solo es vale, eso
está haciendo una instrucción clara.

1689
01:25:04.000 --> 01:25:06.160
A veces incluso
vamos a ver que no se comporta del todo

1690
01:25:06.160 --> 01:25:10.800
como queremos ser más explícito
y no me incluyo nada más, ni una

1691
01:25:11.360 --> 01:25:15.120
testo previo en un texto posterior,
solo traduce vamos a intentarlo

1692
01:25:15.120 --> 01:25:18.320
así incluso voy a copiar esto
de una descripción y aquí

1693
01:25:18.320 --> 01:25:21.320
veis que hay muchas configuraciones extra
que no voy a entrar a ella.

1694
01:25:21.360 --> 01:25:25.200
Eso ya lo dejamos para temas de agentes
que vais a ver, que es una cosa

1695
01:25:25.200 --> 01:25:28.720
mucho más potente
que lo que os estoy enseñando ahora mismo.

1696
01:25:28.760 --> 01:25:33.360
Pero para esta instrucción básica,
eh, me va a servir.

1697
01:25:33.440 --> 01:25:37.040
Ya tengo aquí yo mi agente Pepito
y ya me de entrar con nuevo chat.

1698
01:25:37.200 --> 01:25:43.160
Entraría a Pepito que tiene ese system
configurado y le voy a poner un texto.

1699
01:25:43.200 --> 01:25:44.560
Hola Javier,

1700
01:25:45.600 --> 01:25:46.640
si la configuración

1701
01:25:46.640 --> 01:25:51.240
ha salido bien y como os digo por culpa
de la de que la llamas determinista,

1702
01:25:51.280 --> 01:25:52.760
a veces vamos a tener un resultado,

1703
01:25:52.760 --> 01:25:55.760
decís otro y a veces vamos a
tener que mejorar ese system prompt,

1704
01:25:56.760 --> 01:25:59.720
pues obtendremos el resultado

1705
01:25:59.720 --> 01:26:02.720
esperado,
que es que simplemente me lo traduzcas.

1706
01:26:02.920 --> 01:26:05.160
Vale, está tardando un poquito,
un poquito.

1707
01:26:05.160 --> 01:26:08.160
Esto es normal a veces.

1708
01:26:08.400 --> 01:26:11.480
Vamos a ver si me lo devuelves por aquí.

1709
01:26:19.800 --> 01:26:22.880
¿Mientras que termina Javier
y por hacer un poquito de tiempo

1710
01:26:23.960 --> 01:26:27.480
indicaros
que ahora mismo Javier está alojado,

1711
01:26:27.520 --> 01:26:31.240
o sea, está, digamos,
accediendo con su cuenta de la UPM,

1712
01:26:31.280 --> 01:26:34.320
de hecho arriba en la parte superior
derecha, aunque muy pequeñito no?

1713
01:26:34.400 --> 01:26:36.800
Ahí tienes el eh.

1714
01:26:36.800 --> 01:26:38.320
¿Vale, lo vas a comentar luego?

1715
01:26:38.320 --> 01:26:41.560
Javier Si, lo voy a comentar, contarlo.

1716
01:26:41.720 --> 01:26:42.520
Bueno, perdona, era

1717
01:26:42.520 --> 01:26:46.280
por hacer un poco de tiempo
mientras traducía ya traducido perfecto.

1718
01:26:46.320 --> 01:26:46.960
¿Ves? ¿Veis?

1719
01:26:46.960 --> 01:26:48.760
Aquí en vez de devolver más información,

1720
01:26:48.760 --> 01:26:51.160
simplemente me ha traducido
esto es una tarea muy tonta traducirlo.

1721
01:26:51.160 --> 01:26:54.240
Podríamos haber hecho
con un Google traductor o con lo que sea,

1722
01:26:54.280 --> 01:26:58.040
pero pueden ser tareas mucho más complejas
y que sea mucho más complejo.

1723
01:26:58.160 --> 01:26:59.680
Entonces ya no mañana.

1724
01:26:59.680 --> 01:27:01.720
¿Imaginaros
que tuviese otra vez que traducir, no?

1725
01:27:01.720 --> 01:27:05.600
Vuelvo a decir oye, traduce,
me estoy solo, me traduzcas, me vengo a mi

1726
01:27:05.640 --> 01:27:10.560
agente Pepito, a mi system Pepito
y ya está como preconfigurado.

1727
01:27:11.600 --> 01:27:13.560
Bien, eso sería el sistema.

1728
01:27:13.560 --> 01:27:16.840
Existen pronto para para entendernos,
más técnicas

1729
01:27:17.360 --> 01:27:19.960
que nos pueden ser útiles.

1730
01:27:19.960 --> 01:27:21.440
Pues aquí os enseño más.

1731
01:27:21.440 --> 01:27:25.880
Es el primero que quiero enseñar es n
n muestra se llama

1732
01:27:26.560 --> 01:27:31.080
cuando yo quiero que el sistema
se comporte también de una cierta forma.

1733
01:27:31.880 --> 01:27:34.280
A veces si tengo ejemplos,

1734
01:27:34.280 --> 01:27:37.960
me va a resultar muy muy útil
el poder pasárselos.

1735
01:27:38.200 --> 01:27:42.200
En este caso imaginaros que tenéis
que sois alguien de la UPM que se encarga

1736
01:27:42.200 --> 01:27:46.040
de ver las redes sociales
y no sé si este este error,

1737
01:27:46.440 --> 01:27:49.440
pero ver en los comentarios o en blogs
o lo que sea

1738
01:27:49.800 --> 01:27:53.400
para determinar si un comentario que nos
dio las personas positivo o negativo

1739
01:27:53.560 --> 01:27:55.320
podría hacerlo manualmente.

1740
01:27:55.320 --> 01:27:58.400
Hoy en día que tenemos la IA
podemos pasársela y que la

1741
01:27:58.400 --> 01:28:01.600
IA sea capaz de entender
si ese comentarios positivo o negativo.

1742
01:28:01.600 --> 01:28:04.240
En esas tareas
la IA funciona muy bien la verdad.

1743
01:28:04.240 --> 01:28:07.880
Ya son capaces de entender
el lenguaje también, como nosotros.

1744
01:28:07.880 --> 01:28:09.840
Entonces sí Lee,
me encantó la conferencia.

1745
01:28:09.840 --> 01:28:13.080
Por mí pues vas a ver que eso
es positivo o negativo.

1746
01:28:13.600 --> 01:28:15.320
Lo que ocurre es que
si nosotros le pedimos

1747
01:28:15.320 --> 01:28:19.040
a una IA que nos lo clasifique,
nos puede devolver mucho texto

1748
01:28:19.040 --> 01:28:24.160
o puede inventarse, por ejemplo,
una escala de positivo del uno al diez.

1749
01:28:24.200 --> 01:28:27.200
Si no le indicamos los datos
puede ser complicado que lo haga bien.

1750
01:28:27.240 --> 01:28:30.200
Entonces aquí,
en vez de ponerle ese prompt

1751
01:28:30.200 --> 01:28:33.200
explícitamente
que exigen positivo y negativo, le paso.

1752
01:28:33.560 --> 01:28:36.600
Entonces se llama n
y es lo que vamos a probar aquí.

1753
01:28:36.600 --> 01:28:39.880
En este caso es simplemente clasifica
textos en positivo o negativo.

1754
01:28:40.000 --> 01:28:44.000
El verde serían los ejemplos y después
lo que ponga yo por debajo

1755
01:28:44.560 --> 01:28:49.560
que lo vemos ahora en CoPilot sería el
voy a abrir un nuevo chat,

1756
01:28:50.440 --> 01:28:54.160
el lo que yo me esperaría
que ya fuese capaz de de clasificar.

1757
01:28:55.440 --> 01:28:57.800
Este sería mis ejemplos como digo.

1758
01:28:57.800 --> 01:28:58.560
Ejemplo uno.

1759
01:28:58.560 --> 01:29:01.760
Ejemplo dos Si se lo voy a dar ya de

1760
01:29:02.080 --> 01:29:05.280
de entrada con el que me esté en eso
tenía que haberlo quitado.

1761
01:29:05.880 --> 01:29:07.280
¿Vale? ¿Dice Entendido?

1762
01:29:07.280 --> 01:29:08.640
Ya sé lo que quieres hacer.

1763
01:29:08.640 --> 01:29:11.400
Pues te paso ahora ese texto nuevo que yo

1764
01:29:11.400 --> 01:29:15.280
no he clasificado
ni se lo he pasado ya con el resultado.

1765
01:29:15.480 --> 01:29:19.480
Y entonces la IA idealmente me va a dar
pues un sentimiento positivo.

1766
01:29:19.480 --> 01:29:23.560
La explicación fue clara y muy
y no me ha dado más datos extra ni nada,

1767
01:29:23.560 --> 01:29:26.800
simplemente te has limitado a esa tarea
específica.

1768
01:29:27.080 --> 01:29:30.080
Esto, por ejemplo, lo he hecho en un chat.

1769
01:29:30.160 --> 01:29:33.760
Podría haberme llevado a un sistema
como si lo enseñé antes.

1770
01:29:33.920 --> 01:29:37.160
Y si tengo una tarea que hacer
semanalmente de pasarle comentarios

1771
01:29:37.160 --> 01:29:40.880
de personas, sería capaz de catalogar
de una forma muy sencilla.

1772
01:29:40.960 --> 01:29:43.000
Veis por caso de uso
que también os voy explicando que yo

1773
01:29:43.000 --> 01:29:46.560
creo que pueden ser útiles en muchos casos
y no quedarnos

1774
01:29:46.560 --> 01:29:49.560
simplemente en que no respondas
a una pregunta

1775
01:29:50.120 --> 01:29:53.640
bien según
una técnica que puede ser muy útil

1776
01:29:53.640 --> 01:29:56.800
y realmente en la que vamos a estar
aplicando nuestro día a día

1777
01:29:56.800 --> 01:29:59.800
aunque no nos demos cuenta,
es la de cadena de pensamientos.

1778
01:30:00.120 --> 01:30:04.680
Se consigue, existen forzar el modelo
en que resuelva las cosas poco a poco.

1779
01:30:05.160 --> 01:30:08.320
Si le doy una tarea muy muy compleja,
le pido que me respondas ya.

1780
01:30:08.320 --> 01:30:12.640
El modelo ahí va a tener, va a tender
a inventarse la respuesta o a equivocarse.

1781
01:30:13.040 --> 01:30:17.320
Esto como cuando nosotros estábamos
en el colegio si nos ponían un problema.

1782
01:30:17.320 --> 01:30:19.520
Típico problema.
Imaginemos que eres un profesor de física.

1783
01:30:19.520 --> 01:30:21.560
Me tienes que explicar
cómo resolver el siguiente problema.

1784
01:30:21.560 --> 01:30:24.760
Un portero del fútbol le da una patada
a un balón con un ángulo de 30 grados

1785
01:30:24.760 --> 01:30:27.160
tal que el balón sale 80 kilómetros
hora del pie.

1786
01:30:27.160 --> 01:30:29.000
¿Qué distancia recorre?

1787
01:30:29.000 --> 01:30:33.600
¿O los típicos de los trenes que estamos
todos acostumbrados del instituto?

1788
01:30:34.520 --> 01:30:38.320
Si le pedimos directamente al alumno
dame un resultado sin razonar,

1789
01:30:38.320 --> 01:30:40.640
pues el alumno sin hacer
ningún cálculo ni nada,

1790
01:30:40.640 --> 01:30:44.640
pues va a intentar estimarlo,
pero seguramente que falle puesto.

1791
01:30:44.640 --> 01:30:45.840
Ocurre lo mismo con los modelos.

1792
01:30:45.840 --> 01:30:50.520
Si al modelo voy y le digo oye,
mira que devuélveme ya de si la respuesta,

1793
01:30:50.800 --> 01:30:54.640
pues los modelos no van a ser capaces
de hacerla de forma adecuada.

1794
01:30:54.920 --> 01:30:58.400
Entonces, cuando nosotros
vemos que el modelo no se comporta bien

1795
01:30:58.400 --> 01:31:02.640
con el resultado que obtenemos,
pues podemos ir guiándole poco a poco.

1796
01:31:02.680 --> 01:31:06.880
Pues mira, quiero que primero hagas esto
y con esto quiero que ahora utilices

1797
01:31:06.960 --> 01:31:10.920
el resultado para hacer otra operación
o este otro proceso.

1798
01:31:11.200 --> 01:31:13.520
Cuando le vamos guiando
es como a las personas

1799
01:31:13.520 --> 01:31:14.920
la hacemos la tarea más sencilla

1800
01:31:14.920 --> 01:31:18.320
y a veces cosas que son muy complejas
son capaces de resolverlas.

1801
01:31:18.880 --> 01:31:20.640
Esto mismo en

1802
01:31:22.240 --> 01:31:23.480
en día se hace con lo que se llaman

1803
01:31:23.480 --> 01:31:27.120
modelos razonadores y ya lo intentan hacer
ellos automáticamente.

1804
01:31:27.120 --> 01:31:28.800
Si detectan que algo es muy complejo,

1805
01:31:28.800 --> 01:31:32.920
se intentan a sí mismos
generar un plan de acción e ir haciéndolo.

1806
01:31:33.240 --> 01:31:36.760
Pero a veces incluso tengo que yo forzarme

1807
01:31:36.760 --> 01:31:40.720
a tener paciencia
e irle poquito a poco guiándole.

1808
01:31:41.080 --> 01:31:44.240
Entonces bueno, simplemente que nos quede
ese ese concepto que muchas veces

1809
01:31:44.240 --> 01:31:46.480
no vamos a ser capaces
de tener lo que queramos

1810
01:31:46.480 --> 01:31:50.200
con un simple prompt,
sino que hay que ir guiándole poco a poco

1811
01:31:50.240 --> 01:31:53.320
y así los resultados van a ir mejorando
mucho, creedme.

1812
01:31:53.360 --> 01:31:55.560
Creedme que eso es así.

1813
01:31:55.560 --> 01:31:57.280
Vale, aquí os dejo más técnicas.

1814
01:31:57.280 --> 01:32:00.480
De las que más me gusta
son esas dos, la de bueno, esas tres,

1815
01:32:00.480 --> 01:32:05.520
la del system prompt,
la de los ejemplos y esta última.

1816
01:32:06.600 --> 01:32:07.480
Pero aquí tenéis otros.

1817
01:32:07.480 --> 01:32:10.960
Están enfocados en educación,
pero si los leéis valen también

1818
01:32:10.960 --> 01:32:15.000
para vuestro vuestro día a día,
con ejemplos muy muy, muy útiles.

1819
01:32:16.880 --> 01:32:18.760
Aquí era lo que os mencionaba antes.

1820
01:32:18.760 --> 01:32:19.920
Vamos a tener diferentes

1821
01:32:19.920 --> 01:32:24.480
dentro de los modelos,
diferentes tipos o subtipos de opciones.

1822
01:32:24.760 --> 01:32:26.480
Esta es la enseño Concha GPT,

1823
01:32:26.480 --> 01:32:28.880
pero ahora me la llevo
a la siguiente diapositiva CoPilot.

1824
01:32:28.880 --> 01:32:32.000
Pero como muchos usuarios GPT
en vuestra vida privada

1825
01:32:32.280 --> 01:32:33.840
seguro que es muy familiar.

1826
01:32:33.840 --> 01:32:36.000
Pues nosotros aquí en GPT
se le damos a más.

1827
01:32:36.000 --> 01:32:39.520
Como veis en la pantalla
vais a ver que vienen diferentes acciones.

1828
01:32:39.560 --> 01:32:44.040
Igual muchos ni la habéis visto,
ya que quiero resaltar la que veis en rojo

1829
01:32:44.040 --> 01:32:48.040
que pone búsqueda en internet,
quiere decir que si lo accionamos

1830
01:32:48.280 --> 01:32:51.080
le vamos a forzar al modelo
a que busque la información en internet

1831
01:32:51.080 --> 01:32:53.320
como si fuéramos nosotros
buscando en internet,

1832
01:32:53.320 --> 01:32:56.840
pues este busca en internet
y con lo que te responde

1833
01:32:57.240 --> 01:32:59.600
esto va a hacer
que reduzca las alucinaciones.

1834
01:32:59.600 --> 01:33:03.560
Como dije antes,
los modelos ya van a intentar entender

1835
01:33:03.560 --> 01:33:06.360
cuando es beneficioso buscar en internet
y cuando no,

1836
01:33:06.360 --> 01:33:08.880
y normalmente de forma automática
lo van a hacer.

1837
01:33:08.880 --> 01:33:11.880
Pero si vemos que no
es el caso podemos forzarle.

1838
01:33:13.040 --> 01:33:13.840
Eso es interesante.

1839
01:33:13.840 --> 01:33:16.200
Pero bueno, ya digo que muchas veces
lo hace automáticamente.

1840
01:33:16.200 --> 01:33:20.880
Las que no son tan automáticas son
estas dos la de pensar antes de responder.

1841
01:33:20.920 --> 01:33:25.240
Estos son los modelos razonadores
que son más caros porque dedica más tiempo

1842
01:33:25.280 --> 01:33:26.640
a generar la respuesta.

1843
01:33:26.640 --> 01:33:29.120
Realmente lo que hacen
son muchos tokens de salida

1844
01:33:29.120 --> 01:33:33.440
y se va realimentar el modelo con esos
tokens, es decir, con su propia respuesta.

1845
01:33:33.480 --> 01:33:35.360
Es como si va a resolver el problema
paso a paso

1846
01:33:35.360 --> 01:33:37.960
y se va guiando de lo que ha obtenido
para ir evolucionando.

1847
01:33:37.960 --> 01:33:41.400
La respuesta
son más caros y las respuestas

1848
01:33:41.400 --> 01:33:44.560
tardan más en llegar,
pero suelen ser de mejor calidad.

1849
01:33:45.000 --> 01:33:47.160
Y esta última vez, que para mí es

1850
01:33:47.160 --> 01:33:50.720
muy muy muy chula, es la de Deep Research
Investigación avanzada,

1851
01:33:51.680 --> 01:33:52.080
que lo que

1852
01:33:52.080 --> 01:33:55.440
hace es dedicar mucho tiempo,
a veces incluso hasta diez

1853
01:33:55.440 --> 01:33:59.360
15 minutos investigando por diferentes
fuentes de información.

1854
01:33:59.400 --> 01:34:03.320
Pueden ser fuentes que tú le proporciones
o si le dejas libertad por internet.

1855
01:34:03.560 --> 01:34:07.720
Pero no es que se limite a entrar
en una página y ver la superficie.

1856
01:34:07.720 --> 01:34:11.080
No va a entrar en las tripas de la web
y va a intentar

1857
01:34:11.760 --> 01:34:14.880
si ve un enlace a otra página web,
pues ir a esa otra página web

1858
01:34:15.120 --> 01:34:17.000
y obtener un informe muy,

1859
01:34:17.000 --> 01:34:20.680
muy avanzado, muy profundo
de todo lo que tú le hayas pedido.

1860
01:34:21.160 --> 01:34:24.840
Eso se llama investigación
profunda de como es muy caro,

1861
01:34:24.880 --> 01:34:25.640
normalmente se

1862
01:34:25.640 --> 01:34:30.000
tienen unos usos limitados, incluso
creo que ahora en la versión de CoPilot

1863
01:34:30.040 --> 01:34:34.000
que tenemos esto no está activado,
pero si activas el modo razonador

1864
01:34:34.000 --> 01:34:37.840
que ahora lo vemos como hacer,
llegas a un paso intermedio

1865
01:34:38.320 --> 01:34:42.880
y posiblemente en futuras versiones
sí que lo vuelvan a integrar.

1866
01:34:42.880 --> 01:34:44.640
Lo de la investigación profunda

1867
01:34:44.640 --> 01:34:48.400
en CoPilot sabéis que lo de licencias
cambia casi de día a día, es importante

1868
01:34:48.400 --> 01:34:50.920
al menos conocerla
o si utilizáis otras herramientas

1869
01:34:50.920 --> 01:34:53.920
para vuestra vida privada
o cosas que no sean críticas.

1870
01:34:54.000 --> 01:34:57.520
Por ejemplo, si le quiero preguntar algo
que es público de

1871
01:34:58.160 --> 01:35:01.280
acceso público en internet, pues ahí
no tengo que tener peligro de que le

1872
01:35:01.280 --> 01:35:05.280
esté pasando yo datos privados de la UPM
que no estén protegidas por esa licencia

1873
01:35:05.280 --> 01:35:06.440
que voy a contar luego.

1874
01:35:06.440 --> 01:35:10.280
¿Entonces puedo utilizar
esta investigación investigación profunda

1875
01:35:10.760 --> 01:35:14.800
en Copa y como es el equivalente
puesto en esta diapositiva

1876
01:35:15.440 --> 01:35:19.200
ahí arriba en el botoncito
que ahora le doy, me dejas automático

1877
01:35:19.200 --> 01:35:23.960
que le dejas elegir o respuesta
rápida o razonamiento profundo automático?

1878
01:35:23.960 --> 01:35:26.240
Pues va a intentar adivinarlo,
pero si vemos que no es muy bueno

1879
01:35:26.240 --> 01:35:29.360
puedo forzarla
que haga este este razonamiento profundo

1880
01:35:29.480 --> 01:35:33.920
y que va también a hacer una
investigación profunda,

1881
01:35:33.920 --> 01:35:37.920
no tan al profundo nivel en el caso
que lo que sea necesario.

1882
01:35:38.080 --> 01:35:41.040
Entonces lo que voy a hacer
aquí es rápidamente

1883
01:35:41.040 --> 01:35:44.040
me vuelvo a a mi copiloto.

1884
01:35:44.440 --> 01:35:46.320
Lo digo, está aquí arriba.

1885
01:35:46.320 --> 01:35:50.120
Respuesta rápida o razonamiento profundo,
Les voy a abrirme una nueva,

1886
01:35:50.160 --> 01:35:51.080
un nuevo chat.

1887
01:35:52.200 --> 01:35:55.080
¿Voy a seleccionar Razonamiento profundo

1888
01:35:55.080 --> 01:35:57.960
y le voy a volver a hacer
la misma pregunta que le había

1889
01:35:57.960 --> 01:36:02.680
hecho antes de Oye, qué tipos de contratos
de investigación existen en España?

1890
01:36:02.680 --> 01:36:05.320
Solo quiero una lista
y una tabla comparativa de todos ellos.

1891
01:36:05.320 --> 01:36:08.320
Voy a quitar esto
para dejarle que piense un poco más

1892
01:36:08.960 --> 01:36:11.400
y esto en tu razonamiento profundo.

1893
01:36:11.400 --> 01:36:14.720
Si antes no se activó por sí mismo,
puede ser que se haya activado,

1894
01:36:14.720 --> 01:36:17.080
porque cada detectado
que requiere un razonamiento

1895
01:36:17.080 --> 01:36:21.480
va a ser una búsqueda bastante profunda
en las webs y va a pensar

1896
01:36:21.480 --> 01:36:25.200
en lo que ha obtenido para intentar
dar una respuesta más, más razonada.

1897
01:36:25.320 --> 01:36:27.680
Esto puede tardar un poquito.

1898
01:36:27.680 --> 01:36:30.840
Ahora me pone contrato de investigación,
búsquedas, algo que antes

1899
01:36:30.840 --> 01:36:33.680
parecía que no me hacía,
pues ya dedica más tiempo a hacerlo.

1900
01:36:33.680 --> 01:36:38.360
Esto no es resultado final, sino que veis
cómo el modelo va haciendo cosas por

1901
01:36:38.360 --> 01:36:42.000
detrás, así que nosotros nos demos cuenta
y aquí realmente lo que está haciendo

1902
01:36:42.000 --> 01:36:45.680
son estas búsquedas, búsquedas profundas
y me va a tener un resultado.

1903
01:36:45.720 --> 01:36:50.400
Pues sí, era una pregunta muy compleja,
bastante mejor que el que tendría

1904
01:36:50.400 --> 01:36:53.440
si no usas razonamiento profundo,
entonces quedaros con esto.

1905
01:36:53.440 --> 01:36:54.400
Razonamiento profundo.

1906
01:36:54.400 --> 01:36:57.200
Me parece muy, muy útil que lo conozcáis.

1907
01:36:57.200 --> 01:36:57.520
¿Vale?

1908
01:36:57.520 --> 01:37:00.200
Esto lo voy a ir
dejándolo ahí, Que termine.

1909
01:37:00.200 --> 01:37:04.800
Tardará un poquito y voy siguiendo yo
mientras contándoos más,

1910
01:37:04.840 --> 01:37:07.840
más cosillas
le vamos a tareas específicas.

1911
01:37:08.160 --> 01:37:09.920
Búsqueda de información en internet.

1912
01:37:09.920 --> 01:37:11.280
Esto era lo que os había comentado.

1913
01:37:11.280 --> 01:37:14.400
¿Entonces simplemente lo cuentas
y por encima que puedo utilizar

1914
01:37:14.400 --> 01:37:17.520
CoPilot para preguntarle
como si le preguntas a Google Por qué?

1915
01:37:17.520 --> 01:37:21.120
Porque lo va a intentar buscar en Google
y devolverme la respuesta.

1916
01:37:21.160 --> 01:37:24.120
Igual lo que hago
es ahorrarme ese clic de entrar

1917
01:37:24.120 --> 01:37:27.360
yo en las páginas de Google
y ver los resultados.

1918
01:37:27.560 --> 01:37:29.800
Ojo, esta búsqueda de información
en internet

1919
01:37:29.800 --> 01:37:33.520
igual no es tan precisa
como si voy yo manualmente,

1920
01:37:33.760 --> 01:37:37.480
entonces muchas veces no nos va a dar
los resultados que yo espero.

1921
01:37:37.480 --> 01:37:41.640
Por ejemplo, si buscamos convocatorias
de proyectos europeos,

1922
01:37:42.240 --> 01:37:44.440
posiblemente no me encuentre
todas las convocatorias,

1923
01:37:44.440 --> 01:37:47.360
que si yo voy manualmente
o si incluso le voy diciendo

1924
01:37:47.360 --> 01:37:51.040
mira en esta página web específica
que ya he localizado yo antes,

1925
01:37:51.200 --> 01:37:56.200
o si tengo activado ese razonamiento
profundo, ese deep research, muchas veces

1926
01:37:56.240 --> 01:38:00.440
me vas a servir de punteros, pero no
me vas a servir como el resultado final.

1927
01:38:00.480 --> 01:38:04.480
Pero sí que suelen
ser cosas muy muy actuales, Por ejemplo,

1928
01:38:04.680 --> 01:38:07.440
y no lo hago porque si no tardo mucho
os lo enseño directamente.

1929
01:38:07.440 --> 01:38:11.640
La página Noticias sobre la Universidad
Politécnica de Madrid en el último mes.

1930
01:38:12.280 --> 01:38:14.600
Esto, obviamente el modelo
no lo sabe por sí mismo.

1931
01:38:14.600 --> 01:38:17.520
Tendrá que buscar en webs
y lo que te devuelve.

1932
01:38:17.520 --> 01:38:20.520
A continuación te dejo un resumen
claro y actualizado de noticias.

1933
01:38:20.520 --> 01:38:25.000
Nueva Cátedra Nairobi es otra gestión
de tráfico aéreo abril 2016 Total.

1934
01:38:25.360 --> 01:38:28.720
Y aquí vemos a la derecha
los orígenes, como se enseñaba antes

1935
01:38:28.720 --> 01:38:29.800
en el botoncito de abajo.

1936
01:38:29.800 --> 01:38:32.600
¿Que me dices de dónde has sacado
esa información?

1937
01:38:32.600 --> 01:38:38.280
Puede ser de la web de UPM o puede ser
de otras webs que haya mencionado a UPM.

1938
01:38:38.520 --> 01:38:42.000
También puedo ser muy explícito en el blog
diciéndole oye, buscan estas webs

1939
01:38:42.040 --> 01:38:43.640
o limítate a estos

1940
01:38:44.880 --> 01:38:47.240
a esta franja temporal.

1941
01:38:47.240 --> 01:38:49.520
Eso sería búsqueda de información
en Internet

1942
01:38:49.520 --> 01:38:52.560
y esto sería
la investigación profunda que os acabo.

1943
01:38:52.600 --> 01:38:54.160
Os acabo de contar.

1944
01:38:54.160 --> 01:38:55.800
La tenéis
aquí en las diapositivas también,

1945
01:38:55.800 --> 01:38:59.160
Pero no, no vuelvo,
no vuelvo a ella. Vale.

1946
01:38:59.160 --> 01:39:04.320
Antes de pasar asistencia a la escritura,
vamos a ver si me has terminado.

1947
01:39:04.360 --> 01:39:06.280
Vale. ¿Veis? Aquí me ha terminado.

1948
01:39:06.280 --> 01:39:08.000
Y de hecho vemos una cosa
que no vimos antes,

1949
01:39:08.000 --> 01:39:10.880
que era lo del razonamiento
completado en 23 pasos.

1950
01:39:10.880 --> 01:39:14.160
Incluso me dices aquí
todos los pasos que ha ido haciendo.

1951
01:39:14.400 --> 01:39:15.400
Esto era lo que os contaba.

1952
01:39:15.400 --> 01:39:18.680
Se va creando como su plan
y va evolucionando.

1953
01:39:18.680 --> 01:39:19.320
Lo veo

1954
01:39:19.320 --> 01:39:20.800
y pues primero voy a buscar información

1955
01:39:20.800 --> 01:39:24.160
sobre el tipo de contrato de investigación
en España atendiendo a leyes recientes,

1956
01:39:24.200 --> 01:39:27.880
después a realizar sus contratos de
investigación, pues amplia con búsquedas.

1957
01:39:27.920 --> 01:39:30.440
Bueno, veis aquí que son bastantes pasos,

1958
01:39:30.440 --> 01:39:33.320
algo que antes
no hizo y por eso tarda tampoco.

1959
01:39:35.080 --> 01:39:36.920
Y vemos aquí el resultado ya que me da.

1960
01:39:36.920 --> 01:39:40.200
En este caso me he dado un formato tabla
y no lo había especificado

1961
01:39:40.200 --> 01:39:41.200
de lo que quería.

1962
01:39:41.200 --> 01:39:44.200
Bueno, me vas diciendo diferentes
tipos de contratos.

1963
01:39:44.440 --> 01:39:46.240
Detalle de cada uno de ellos.

1964
01:39:46.240 --> 01:39:48.040
Bueno,
si vemos los resultados que puede ser

1965
01:39:48.040 --> 01:39:52.040
que sean mejores, seguramente sean mejores
que si hubiese hecho la búsqueda.

1966
01:39:52.040 --> 01:39:55.440
Si en ese razonamiento apartado
aquí vamos a tener que ser nosotros

1967
01:39:55.440 --> 01:39:59.240
suficientemente listos para saber
cuando dejamos al modelo

1968
01:39:59.240 --> 01:40:02.640
que actúa automáticamente
o cuando forzamos el razonamiento

1969
01:40:02.640 --> 01:40:05.480
aunque me conlleve más tiempo
o cuando no lo necesito.

1970
01:40:05.480 --> 01:40:08.720
Por ejemplo, si le voy a preguntar
cuál es la capital de España,

1971
01:40:08.760 --> 01:40:10.400
pues no voy a necesitar razonamiento.

1972
01:40:10.400 --> 01:40:15.360
Sé que no vas a responder bien, bien,
esto es un poquito práctica, digamos.

1973
01:40:16.120 --> 01:40:19.040
Vale, vamos. Asistencia a la escritura.

1974
01:40:19.040 --> 01:40:22.920
Una de las tareas fundamentales que yo
veo que me puede ahorrar mucho tiempo

1975
01:40:22.920 --> 01:40:26.400
es ayudan a escribir mejor
todo lo que hemos aplicado

1976
01:40:26.640 --> 01:40:29.840
a diferentes tareas
o las voy enseñando por aquí.

1977
01:40:30.160 --> 01:40:34.120
Esta, por ejemplo, es una convocatoria
de movilidad de investigadores.

1978
01:40:34.160 --> 01:40:35.240
Seguro que muchos

1979
01:40:35.240 --> 01:40:38.640
la conocéis tanto el destinador y docentes
como incluso personal administrativo.

1980
01:40:38.720 --> 01:40:40.600
¿Gestionarse esta ayuda

1981
01:40:40.600 --> 01:40:44.200
Profesionalidad compleja
en la que va por un sistema de puntuación

1982
01:40:45.280 --> 01:40:48.600
que también dependiendo del momento
en el que se encuentre

1983
01:40:48.600 --> 01:40:52.840
el investigador puede optar
a ciertos puntos y a otros puntos, no?

1984
01:40:52.880 --> 01:40:56.320
Bueno, tenéis ahí
el enlace y el sistema de puntuación.

1985
01:40:56.320 --> 01:40:58.960
¿Veis que es una cosa un poco
un poco enrevesada?

1986
01:40:58.960 --> 01:41:02.960
Pues yo si me llega recién
ahora es que estoy yo en un servicio de QA

1987
01:41:03.880 --> 01:41:06.360
y alguien me pregunta esto mismo.

1988
01:41:06.360 --> 01:41:08.320
¿Una persona que obtuvo
el título de doctor

1989
01:41:08.320 --> 01:41:12.080
en el año 2024,
qué puedo aplicar o que no puedo aplicar?

1990
01:41:12.080 --> 01:41:16.240
O si quiero hacer una sección de ejemplos
para que la gente

1991
01:41:16.240 --> 01:41:18.600
que vaya a solicitar esta ayuda
pues sepa cómo.

1992
01:41:18.600 --> 01:41:20.240
¿Cómo leer el documento?

1993
01:41:20.240 --> 01:41:24.520
¿Pues puedo hacerlo yo manualmente
o directamente

1994
01:41:25.240 --> 01:41:28.680
puedo pedirle a un LLM
que me lo haga Para ello, qué voy a hacer?

1995
01:41:28.680 --> 01:41:29.440
Pues le voy a pasar.

1996
01:41:29.440 --> 01:41:32.560
El contexto vale, el contexto es básico.

1997
01:41:32.560 --> 01:41:35.760
Le paso toda la ayuda
en formato pdf que se la puedo adjuntar.

1998
01:41:35.920 --> 01:41:39.640
Que bueno como es, son pocos en hojas.

1999
01:41:39.640 --> 01:41:43.560
En este caso va a funcionar bastante bien
o incluso son muchísimas hojas

2000
01:41:43.560 --> 01:41:45.040
y yo quiero solo limitarme a esto.

2001
01:41:45.040 --> 01:41:49.440
Le puedo estar el texto explícito
de los puntos que aplican

2002
01:41:49.720 --> 01:41:50.960
y le puedo preguntar

2003
01:41:50.960 --> 01:41:54.520
por la pregunta que me ha hecho el usuario
en vez de hacerlo yo automáticamente.

2004
01:41:54.520 --> 01:41:58.960
Pues es lo que voy a hacer,
me abro una nueva conversación.

2005
01:41:59.640 --> 01:42:04.000
Vale, aquí lo que le estoy pegando, vale,
es justo lo que veía.

2006
01:42:04.000 --> 01:42:07.320
Es la diapositiva,
los puntos hasta 15 punto por excelencia

2007
01:42:07.320 --> 01:42:10.480
del centro destino, hasta diez puntos,
etcétera Incluso el formato.

2008
01:42:10.480 --> 01:42:11.400
¿Veis que se lo paso aquí?

2009
01:42:11.400 --> 01:42:13.640
No ha puesto ni saltos de línea ni nada.

2010
01:42:13.640 --> 01:42:15.600
Lo van a entender bastante bien.

2011
01:42:15.600 --> 01:42:17.600
Y le voy a poner justo esta pregunta.

2012
01:42:19.120 --> 01:42:22.120
Esta información.

2013
01:42:22.840 --> 01:42:26.760
Es para aplicar a una ayuda

2014
01:42:27.320 --> 01:42:30.320
de movilidad en la UPV.

2015
01:42:30.520 --> 01:42:33.520
Eh un doctor del año

2016
01:42:34.320 --> 01:42:38.080
2001 investigador, un investigador

2017
01:42:38.280 --> 01:42:44.120
que tuvo su doctorado en el año 2024.

2018
01:42:44.440 --> 01:42:47.800
¿A qué puntos puede optar

2019
01:42:49.240 --> 01:42:50.600
este medio?

2020
01:42:50.600 --> 01:42:53.640
Limitarme a responderlo manualmente.

2021
01:42:53.640 --> 01:42:58.680
Voy a delegar en el modelo
en que sea capaz de hacerlo por sí mismo.

2022
01:42:58.720 --> 01:43:02.120
Aquí, si os fijáis,
tengo el razonamiento activado, pues igual

2023
01:43:02.120 --> 01:43:06.040
esta tarea no requería razonamiento,
lo tenía tirado porque se me quedó.

2024
01:43:06.080 --> 01:43:07.200
Va a tardar un poquito.

2025
01:43:07.200 --> 01:43:10.200
Entonces lo que voy a hacer
es abrir un nuevo chat

2026
01:43:11.080 --> 01:43:14.120
y voy a desactivar el razonamiento
para que no tarde tanto.

2027
01:43:14.160 --> 01:43:15.200
Yo creo que pasa también

2028
01:43:15.200 --> 01:43:18.600
hace falta mucho razonamiento,
es procesar texto muy muy sencillo.

2029
01:43:18.600 --> 01:43:22.360
Te vemos que ya tarda
mucho menos en responderme y ya me dices

2030
01:43:22.360 --> 01:43:28.680
oye, a qué puntos puedo puedo optar
como investigador de año 2024 y te

2031
01:43:29.440 --> 01:43:32.440
en el centro de destino, plan de trabajo,
etcétera, etcétera, etcétera.

2032
01:43:32.560 --> 01:43:35.160
Esto me lo has dado en un formato
que igual a mí no me gusta.

2033
01:43:35.160 --> 01:43:39.680
Podría pedirle Oye, pues dámela
al final en un texto, en un único párrafo,

2034
01:43:40.000 --> 01:43:43.000
para que se lo
pueda responder a la persona por email.

2035
01:43:43.720 --> 01:43:46.600
Ojo, aquí no estamos libres de

2036
01:43:47.680 --> 01:43:48.080
de que haya

2037
01:43:48.080 --> 01:43:51.880
alucinaciones, pues tendría que verificar
esto.

2038
01:43:51.880 --> 01:43:57.200
Es importante siempre saber que no
estás libre de alucinaciones del sistema.

2039
01:43:57.800 --> 01:44:00.000
Lo ventaja es que yo escribí esto igual

2040
01:44:00.000 --> 01:44:03.360
me lleva diez minutos,
pero en cambio verificarlo me lleva uno

2041
01:44:04.360 --> 01:44:07.560
ahorrado
una fracción de diez por tiempo incluso.

2042
01:44:08.160 --> 01:44:11.080
Bien, ya aquí estaría
una tarea de asistencia

2043
01:44:11.080 --> 01:44:14.280
a la escritura, en este caso a responder

2044
01:44:14.520 --> 01:44:18.080
una pregunta Oye, que me piden que yo
esto es lo que quiero.

2045
01:44:18.080 --> 01:44:21.920
Al final es devolverlo a un formato tabla
porque no quiero incluir la convocatoria

2046
01:44:21.920 --> 01:44:23.920
para que sea una cosa muy visual,

2047
01:44:23.920 --> 01:44:26.640
pues le puedo pedir
oye, representa estas mismas condiciones

2048
01:44:26.640 --> 01:44:30.400
en un cuadro con puntos
y pues el sistema se va a adaptar.

2049
01:44:30.400 --> 01:44:31.680
Pues veis,

2050
01:44:31.680 --> 01:44:35.440
no lo hago, simplemente os lo muestre
aquí me devolvería simplemente una tablita

2051
01:44:35.440 --> 01:44:39.080
con hasta 15 puntos tipo mérito
del centro de destino, condiciones previas

2052
01:44:39.080 --> 01:44:42.600
como justificarlo, etcétera etcétera que
es justo lo que le pido en el producto.

2053
01:44:42.680 --> 01:44:44.280
¿Representa las condiciones en un cuadro

2054
01:44:44.280 --> 01:44:47.280
con puntos tipo condiciones previas,
cómo justificarlo?

2055
01:44:47.480 --> 01:44:51.720
Es decir, pídele lo que necesites que
muchas veces va a ser capaz de resolverlo.

2056
01:44:51.960 --> 01:44:55.640
Imaginaros que ahora nos llega alguien
o una ayuda internacional

2057
01:44:55.640 --> 01:44:56.680
y lo tenemos en España.

2058
01:44:56.680 --> 01:44:58.160
Lo tenemos que traducirlo,

2059
01:44:58.160 --> 01:45:01.040
pues tan fácil como pedirle que me lo
traduzca al inglés.

2060
01:45:01.040 --> 01:45:05.880
Podría utilizar sistemas de traducción
previos que tengamos, hacerlo a mano.

2061
01:45:06.240 --> 01:45:10.840
Realmente hay los LLM es para traducción
son excelentes.

2062
01:45:10.840 --> 01:45:15.160
Mucho mejor, por ejemplo que
Google traductor utilizar traduce me

2063
01:45:15.200 --> 01:45:19.320
las condiciones al inglés se lo he pedido
y veis cada una de las condiciones.

2064
01:45:19.680 --> 01:45:21.680
Vamos, tendría
que hacer un chequeo rápido,

2065
01:45:21.680 --> 01:45:25.840
pero en temas de traducción ya os digo
yo que casi casi nunca se va a confundir.

2066
01:45:26.120 --> 01:45:29.680
Yo últimamente
no he visto ningún error en traducciones.

2067
01:45:29.880 --> 01:45:34.000
Bueno, siempre que son cosas muy críticas,
mejor echarle, echarle un vistazo.

2068
01:45:35.360 --> 01:45:37.520
Vale, eso sería todo.

2069
01:45:37.520 --> 01:45:41.440
Vale más ahorrar un poquito de tiempo
a la hora de escribir, pero después

2070
01:45:41.440 --> 01:45:45.280
pueden haber preguntas que incluso a mí
me lleva hace un tiempo de razonar.

2071
01:45:45.640 --> 01:45:49.040
Incluso tendría que hacer
cuadrar varias cosas diferentes.

2072
01:45:49.080 --> 01:45:52.080
¿Como puede ser esta pregunta
Cuántos puntos como máximo

2073
01:45:52.080 --> 01:45:54.160
puede obtener una persona que obtuvo
el doctorado en año

2074
01:45:54.160 --> 01:45:58.640
respecto a una que otra
tuvo hace 20 años como como doctor?

2075
01:45:58.800 --> 01:46:03.040
Esta es una pregunta un poco más compleja
porque requiere analizar como

2076
01:46:03.080 --> 01:46:06.080
el gorro de persona que tiene el doctorado
hace un año

2077
01:46:06.240 --> 01:46:09.920
pasarle la pregunta yo como persona
tendría que ir punto a punto

2078
01:46:09.920 --> 01:46:14.240
apuntándome los que podría aplicar,
guardarlo en algún sitio, pues sumar.

2079
01:46:14.320 --> 01:46:15.920
Y lo mismo con la de 20 años.

2080
01:46:15.920 --> 01:46:17.240
Pues si yo se lo pregunta al sistema,

2081
01:46:17.240 --> 01:46:19.880
el sistema es capaz de hacer esa tarea
por sí mismo.

2082
01:46:19.880 --> 01:46:22.240
Aquí sí que me recomendación, por ejemplo,
que esto es una tarea

2083
01:46:22.240 --> 01:46:27.200
un poquito más compleja, es hacerlo
incluso con el razonamiento activado.

2084
01:46:27.400 --> 01:46:28.160
¿Y os lo digo por qué?

2085
01:46:28.160 --> 01:46:31.200
Porque esta demo la hice antes

2086
01:46:31.520 --> 01:46:35.000
y me dio resultados diferentes a los que
tenemos aquí en la comparación final.

2087
01:46:35.120 --> 01:46:38.000
Es decir, que uno de los dos se equivocó,
nos vamos a hacerlo.

2088
01:46:38.000 --> 01:46:39.280
De hecho, y vemos

2089
01:46:40.800 --> 01:46:43.720
el resultado que obtenemos.

2090
01:46:43.720 --> 01:46:46.600
Vamos a preguntarle por aquí

2091
01:46:46.600 --> 01:46:52.400
cuántos puntos podría obtener como máximo

2092
01:46:52.840 --> 01:46:55.840
una persona que

2093
01:46:56.280 --> 01:47:00.000
se doctoró hace un año

2094
01:47:01.000 --> 01:47:05.400
versus una persona que se me todo hace

2095
01:47:06.480 --> 01:47:08.840
20 años,

2096
01:47:08.840 --> 01:47:11.480
vemos que nos devuelven y con esto

2097
01:47:11.480 --> 01:47:15.080
vemos que tareas muy complejas
son capaces de resolverla.

2098
01:47:15.080 --> 01:47:18.080
Pero oye, que también
tenemos que tener cuidado, que no

2099
01:47:18.080 --> 01:47:22.320
muchas veces nos va a dar la respuesta,
la respuesta correcta.

2100
01:47:23.200 --> 01:47:25.520
Vemos que aquí
parece que se me ha quedado tostada.

2101
01:47:25.520 --> 01:47:28.640
Esto algunas veces pasa simplemente

2102
01:47:28.680 --> 01:47:31.680
si le doy a stop y vuelvo.

2103
01:47:32.560 --> 01:47:35.800
A entrar,
pues vuelvo a pedírselo por aquí.

2104
01:47:38.520 --> 01:47:39.600
Vale, vamos

2105
01:47:39.600 --> 01:47:42.600
a pedirle que me lo vuelva a hacer.

2106
01:47:48.680 --> 01:47:51.680
Vale, pues mirando mientras el chat.

2107
01:47:56.200 --> 01:47:58.520
Vale, Bueno, vamos a ir
dejándolo por ahí mientras.

2108
01:47:58.520 --> 01:48:00.640
Bueno, ya me está respondiendo.

2109
01:48:00.640 --> 01:48:02.360
Puntos comunes.

2110
01:48:05.520 --> 01:48:06.000
Personas.

2111
01:48:06.000 --> 01:48:10.440
El doctor hace un año
va haciendo su razonamiento

2112
01:48:11.320 --> 01:48:15.720
y vemos que bueno, a ver si aquí al final
me dará un resumen de todos ellos.

2113
01:48:16.640 --> 01:48:21.080
Vale, vemos que me has dado
un resultado diferente al que me diste.

2114
01:48:21.080 --> 01:48:25.520
La diapositiva 92 versus 97
solo es que me da 92,

2115
01:48:25.520 --> 01:48:29.680
es un 97 y en la diapositiva
hemos visto que me da más 88 cinco

2116
01:48:30.680 --> 01:48:33.680
Tarea poco complicada,
no activé razonamiento con razonamiento.

2117
01:48:33.680 --> 01:48:35.280
Yo creo que lo va a resolver bien,

2118
01:48:35.280 --> 01:48:38.600
pero esto también nos
tiene que llevar un poco a ojo.

2119
01:48:38.800 --> 01:48:41.800
No todo es tan bonito como parece

2120
01:48:42.120 --> 01:48:44.720
y tienes que chequear
siempre, siempre las cosas,

2121
01:48:44.720 --> 01:48:47.080
pero si identificamos
tareas en las que funciona bien,

2122
01:48:47.080 --> 01:48:50.040
que eso también va a ser labor nuestro,
pues ya vamos a estar más seguros de

2123
01:48:50.040 --> 01:48:51.480
si eso es capaz de hacerlo.

2124
01:48:51.480 --> 01:48:53.960
Ahora que he visto que esta tarea
no, igual ya no me fío tanto en esta.

2125
01:48:53.960 --> 01:48:57.680
Si lo lleva a hacer bien, pues igual
ya me fiaba más en otros, en otros casos

2126
01:48:57.680 --> 01:49:01.480
siempre comprobándolo,
pero intentaría resolverlo con

2127
01:49:01.520 --> 01:49:05.640
con con CoPilot, más cosillas que yo
creo que me parecen relevantes.

2128
01:49:06.000 --> 01:49:07.880
El búsqueda en.

2129
01:49:10.080 --> 01:49:11.960
En documentos

2130
01:49:11.960 --> 01:49:15.960
que yo tengo en mi propio ser Paint
o que incluso puedo adjuntar.

2131
01:49:16.440 --> 01:49:21.480
Esto se puede, se puede hacer sin
sin ningún tipo de de problema y lo

2132
01:49:21.480 --> 01:49:26.080
vamos a hacer o los con un caso de uso
también me gusta, me gusta mucho.

2133
01:49:26.120 --> 01:49:30.080
Voy a abrir por aquí que
es que va a haber una nueva conversación.

2134
01:49:30.440 --> 01:49:34.040
Yo tengo un Excel vale Con

2135
01:49:35.600 --> 01:49:39.000
todos los contactos que tengo

2136
01:49:40.080 --> 01:49:43.800
de gente que conozco, de proyectos,
gente que conozco de personal

2137
01:49:43.800 --> 01:49:45.680
administrativo
para diferentes procedimientos,

2138
01:49:45.680 --> 01:49:48.800
pero yo tengo un experto,
el que tiene muchas entradas,

2139
01:49:49.640 --> 01:49:52.960
entonces si tengo que buscar a alguien,
pues típicamente entro en el Excel

2140
01:49:52.960 --> 01:49:56.400
y lo busco, ya sea por palabras clave,
me tengo que acordar como había

2141
01:49:56.960 --> 01:50:00.520
identificado a esa persona
o a qué área pertenece.

2142
01:50:00.680 --> 01:50:03.280
A veces no me sale el nombre del área,
pues eso me lleva tiempo.

2143
01:50:03.280 --> 01:50:07.560
En cambio
si yo le puedo pasar el Excel en este caso

2144
01:50:07.800 --> 01:50:10.560
y con esos datos
puede utilizar el lenguaje natural.

2145
01:50:10.560 --> 01:50:16.000
¿Y voy a hacer esta pregunta
en qué despacho se encuentra

2146
01:50:17.120 --> 01:50:18.080
abierto?

2147
01:50:18.080 --> 01:50:20.760
Vale, me pregunto por mi mismo que también
hay una fila.

2148
01:50:20.760 --> 01:50:21.560
Esa sociedad a mí

2149
01:50:21.560 --> 01:50:25.280
con todos mis datos para que no se revela
que la información de nadie

2150
01:50:26.080 --> 01:50:30.400
y me está diciendo oye,
mira que el despacho de Javier B2 uno y

2151
01:50:30.520 --> 01:50:34.560
ten cuidado que ve 323 figura
como antiguo exactamente en el Excel.

2152
01:50:34.600 --> 01:50:38.080
En la fila pone eso que mi localización
es el uno y entre paréntesis

2153
01:50:38.080 --> 01:50:42.840
pone el anterior despacho del 323
pues en el que estaba anteriormente.

2154
01:50:43.000 --> 01:50:44.400
Esto me puede ahorrar mucho tiempo.

2155
01:50:44.400 --> 01:50:47.080
Vale, si tenéis información
y hacer búsquedas sobre ella,

2156
01:50:47.080 --> 01:50:49.080
pasar el documento y hazlo.

2157
01:50:49.080 --> 01:50:54.160
Eso es lo que me lleva justo al punto
que ya había mencionado Fernando

2158
01:50:54.280 --> 01:50:59.040
previamente que es Me voy adelantar

2159
01:50:59.920 --> 01:51:02.400
aquí que

2160
01:51:02.400 --> 01:51:04.600
cuando nosotros utilizamos

2161
01:51:04.600 --> 01:51:07.920
guías, sistemas de Ias que son gratuitas,

2162
01:51:08.320 --> 01:51:11.560
no vamos a tener esta licencia
que tenemos en la UPN.

2163
01:51:11.760 --> 01:51:14.400
Que garantizan
pues que todos los datos que tenemos

2164
01:51:14.400 --> 01:51:18.200
dentro de de Copa y de
y que le pasamos a CoPilot Chat

2165
01:51:18.600 --> 01:51:21.960
van a estar protegidos, es decir,
que no van a haber fugas de información.

2166
01:51:22.800 --> 01:51:26.560
Justo en el caso que os acabo de enseñar
puede ser importante.

2167
01:51:27.040 --> 01:51:30.880
En ese caso, yo tengo contactos de UPM

2168
01:51:30.920 --> 01:51:34.000
donde puede haber
incluso información personal.

2169
01:51:34.040 --> 01:51:34.960
Si yo soy solo un paso,

2170
01:51:36.160 --> 01:51:37.760
pues no tengo una licencia ni

2171
01:51:37.760 --> 01:51:41.440
tengo un seguro de que esos datos
vayan a estar protegidos.

2172
01:51:42.040 --> 01:51:44.960
Entonces pues bueno,
si hay alguna fuga de dicha GPT,

2173
01:51:44.960 --> 01:51:47.960
ellos no se van a responsabilizar de eso
o si incluso en

2174
01:51:48.920 --> 01:51:52.240
de alguna forma podrán
utilizarlo para entrenar otros modelos.

2175
01:51:52.280 --> 01:51:54.080
Tampoco se van a responsabilizar.

2176
01:51:54.080 --> 01:51:57.080
A veces me dejan desactivar esa opción,
pero tengo que hacerlo yo a mano.

2177
01:51:57.440 --> 01:51:58.080
Muchas veces

2178
01:51:58.080 --> 01:52:01.080
está por defecto que sí, que
dejo que utilicen los datos para entrenar.

2179
01:52:01.200 --> 01:52:04.880
En cambio aquí dentro de de la UPM,

2180
01:52:05.000 --> 01:52:09.040
si haya cualquier fuga de información por
parte de copiloto es culpa de Microsoft.

2181
01:52:09.040 --> 01:52:12.200
No es culpa nuestra como investigador,
como docente, como personal

2182
01:52:12.200 --> 01:52:13.200
administrativo.

2183
01:52:13.200 --> 01:52:16.480
Entonces es una cosa
que debemos de tener clarísima.

2184
01:52:17.120 --> 01:52:19.520
Y aquí esto se ve en el escudito.

2185
01:52:19.520 --> 01:52:21.560
Arriba pone esto justo esto.

2186
01:52:21.560 --> 01:52:22.840
¿Protección de datos de prensa

2187
01:52:22.840 --> 01:52:26.880
se aplica este chat que os lo enseño
un segundito es este escudito?

2188
01:52:27.040 --> 01:52:29.760
Vale, esto es por la licencia que tenemos.

2189
01:52:29.760 --> 01:52:33.360
Si hay cosas que no son críticas,
pues por ejemplo buscar

2190
01:52:33.760 --> 01:52:37.120
hacer una pregunta sobre un documento
que es público de acceso a internet

2191
01:52:37.240 --> 01:52:39.640
por si hay alguna herramienta
como un notebook.

2192
01:52:39.640 --> 01:52:43.080
LM Que CoPilot no la tiene
y que funciona muy bien,

2193
01:52:43.120 --> 01:52:47.200
pues si es un documento público, ya
ahí no pondría limitaciones de de usarlo.

2194
01:52:47.200 --> 01:52:47.400
¿Por qué?

2195
01:52:47.400 --> 01:52:48.840
Porque ya lo puedes encontrar en internet.

2196
01:52:48.840 --> 01:52:50.480
No hay ninguna fuga de información.

2197
01:52:50.480 --> 01:52:54.160
Pero si es cosas restrictivas pues
hay que tener, hay que tener cuidado. Y

2198
01:52:55.120 --> 01:52:57.440
Javier es el paquete de interrumpa.

2199
01:52:57.440 --> 01:53:00.520
¿Disculpa que te interrumpa
en la pantalla anterior que estabas, eh?

2200
01:53:01.160 --> 01:53:03.560
¿El hecho de estar conectado

2201
01:53:03.560 --> 01:53:08.080
a nuestra licencia de la universidad
hace que automáticamente se vean

2202
01:53:08.080 --> 01:53:12.280
todos los documentos que tenemos
en nuestro ser point, digamos, eh?

2203
01:53:12.880 --> 01:53:13.160
Digamos.

2204
01:53:13.160 --> 01:53:14.200
Creo que eso es relevante

2205
01:53:14.200 --> 01:53:17.240
porque si tenemos documentación
ya nuestra de trabajo habitual

2206
01:53:17.280 --> 01:53:19.160
va a ser más fácil
de encontrar la información.

2207
01:53:19.160 --> 01:53:21.720
No sé si esto nos lo puedes confirmar.

2208
01:53:21.720 --> 01:53:25.200
Si no es tan sencillo de que yo aquí
le pregunte

2209
01:53:25.200 --> 01:53:28.200
por un documento mío y me lo encuentre.

2210
01:53:28.320 --> 01:53:31.320
Por ejemplo ahora preguntar Encuéntrame

2211
01:53:32.800 --> 01:53:35.880
lo en mi documentación.

2212
01:53:37.560 --> 01:53:39.560
Las asignaturas

2213
01:53:39.560 --> 01:53:43.040
que imparto esto no lo tenemos activado.

2214
01:53:43.040 --> 01:53:46.480
Nosotros en con la licencia de CoPilot
sé que hay algunas licencias muy

2215
01:53:47.160 --> 01:53:51.080
con muchas más cosas que sí que te
te permiten hacer esto con la que tenemos

2216
01:53:51.080 --> 01:53:54.800
nosotros actualmente no, salvo
que esto haya cambiado de para otro.

2217
01:53:55.200 --> 01:53:57.200
¿Veis? Aquí me
lo he intentado buscar en contactos.

2218
01:53:57.200 --> 01:54:01.000
Si lo hubiese preguntado con otro
chat, créeme que tampoco me diría que no

2219
01:54:01.320 --> 01:54:04.400
es lo que sí
podemos hacerle aquí, que esto

2220
01:54:04.400 --> 01:54:07.400
está chulo es adjuntar archivos.

2221
01:54:07.400 --> 01:54:08.760
Lo que yo quería decir.

2222
01:54:08.760 --> 01:54:10.800
Esto sí que lo puedes hacer.

2223
01:54:10.800 --> 01:54:14.360
Y tú aquí tienes acceso a tu, tu,
tu OneDrive, digamos,

2224
01:54:14.400 --> 01:54:17.400
y puedes buscar dentro de tu de tu drive.

2225
01:54:17.480 --> 01:54:18.600
Aquí está mi drive.

2226
01:54:18.600 --> 01:54:23.000
Y puedo asignarle pues este documento,
por ejemplo, queda Open.

2227
01:54:23.080 --> 01:54:25.560
Esto fue de una prueba
que hice el otro día aquí.

2228
01:54:25.560 --> 01:54:26.280
Es un documento

2229
01:54:26.280 --> 01:54:29.640
que yo tengo en la que explica que es la
que había preguntado a un chatbot.

2230
01:54:29.680 --> 01:54:30.760
Eso sí puedo hacerlo.

2231
01:54:31.800 --> 01:54:32.200
Sí, sí.

2232
01:54:32.200 --> 01:54:33.720
Y es una forma muy, muy sencilla.

2233
01:54:33.720 --> 01:54:35.200
Otra es arrastrando los ficheros.

2234
01:54:35.200 --> 01:54:38.840
Si no tienes en tu en tu ordenador también
es otra, otra opción.

2235
01:54:40.840 --> 01:54:44.480
Vale, Javier, una cosa,
a lo mejor la otra no te la ha contestado

2236
01:54:44.480 --> 01:54:47.480
porque tú no tenías esa documentación
en tu OneDrive.

2237
01:54:47.560 --> 01:54:50.080
Quiero decir que todo lo que tengas
en tu web drive

2238
01:54:50.080 --> 01:54:53.960
sí que normalmente lo tiene indeseado
y accede.

2239
01:54:54.160 --> 01:54:58.040
De hecho, también en Teams te dice
cuáles son las últimas conversaciones

2240
01:54:58.040 --> 01:54:59.840
y puedes, dependiendo de las licencias.

2241
01:54:59.840 --> 01:55:05.080
A lo mejor la de Copa de los Chats
está más limitada y CoPilot, la de pago,

2242
01:55:05.120 --> 01:55:09.080
sí que tiene ese acceso,
pero de normal tiene acceso a tu

2243
01:55:09.080 --> 01:55:13.960
ser point y a todo
tu información en la en la licencia básica

2244
01:55:15.800 --> 01:55:17.920
creo que
no, en la que es un poco más avanzada.

2245
01:55:17.920 --> 01:55:19.600
Creo que sí.

2246
01:55:19.600 --> 01:55:21.920
Vale, tengo dudas.

2247
01:55:21.920 --> 01:55:24.680
Es la que tenemos
todo el mundo. Sí, se puede.

2248
01:55:24.680 --> 01:55:25.880
¿Se puede hacer o no?

2249
01:55:25.880 --> 01:55:29.560
Yo tenía pensado que tenía
creído que no hay en.

2250
01:55:30.440 --> 01:55:34.120
Si no lo confirmo
o en la próxima sesión Se puede,

2251
01:55:34.160 --> 01:55:37.160
se puede decir,
pero yo tenía entendido que no

2252
01:55:38.840 --> 01:55:39.120
Bale.

2253
01:55:39.120 --> 01:55:42.720
Aprovecho para comentar esto
de las licencias, que es un lío tremendo.

2254
01:55:43.680 --> 01:55:46.320
Tenemos por la licencia que tiene comprada

2255
01:55:46.320 --> 01:55:49.680
la universidad
para todo el personal que digamos.

2256
01:55:49.680 --> 01:55:51.200
Lo que tenemos es lo que estamos tratando.

2257
01:55:51.200 --> 01:55:56.120
Javier Vale que ya vimos, para la mayor
parte de los usuarios es suficiente.

2258
01:55:56.520 --> 01:55:59.720
Luego a partir de ahí
y ya con un pago adicional,

2259
01:55:59.760 --> 01:56:02.880
hay otra serie de licencias
que dan otra serie de

2260
01:56:03.880 --> 01:56:06.680
funcionalidades que no están incluidas

2261
01:56:06.680 --> 01:56:09.880
para todo el mundo, entre otros motivos
porque el coste es elevado

2262
01:56:09.920 --> 01:56:12.880
y porque tampoco todo,
no todo el mundo lo necesita,

2263
01:56:12.880 --> 01:56:16.680
pero que si alguien, por su motivos,
lo que sea,

2264
01:56:18.040 --> 01:56:20.600
cree que lo necesita

2265
01:56:20.600 --> 01:56:23.040
previo pago, lo podemos adquirir,
digo previo pago.

2266
01:56:23.040 --> 01:56:26.120
Lo podemos adquirir porque tenemos que
comprarlo de forma centralizada.

2267
01:56:26.120 --> 01:56:28.920
No lo puede comprar
cada uno individualmente.

2268
01:56:28.920 --> 01:56:29.880
Vale, lo gestionamos

2269
01:56:29.880 --> 01:56:33.800
nosotros desde el rectorado y
no se puede comprar individualmente, Vale,

2270
01:56:33.800 --> 01:56:37.480
pero si alguien tiene interés que se ponga
en contacto con nosotros y le decimos

2271
01:56:37.560 --> 01:56:41.080
cómo lo puede hacer, vale, añade
una serie de funcionalidades,

2272
01:56:41.080 --> 01:56:45.400
pero ya digo, creo que no
son de uso para todo el mundo y por tanto

2273
01:56:45.480 --> 01:56:48.400
creo que tenemos algún
otro seminario en el que hablamos un poco

2274
01:56:48.400 --> 01:56:51.400
más en detalle de qué cosas
tiene cada licencia, etcétera, etcétera.

2275
01:56:52.080 --> 01:56:55.600
Vale, perdona Javier, que te hemos
interrumpido y te hemos cortado el hilo.

2276
01:56:56.040 --> 01:56:58.880
Nada, no te preocupes,
a través del copiloto Chat A mí,

2277
01:56:58.880 --> 01:57:02.760
por ejemplo, eso no me no me funciona
Lo que comenta Jessica, igual desde Teams

2278
01:57:02.800 --> 01:57:06.960
sí que tienen una vinculación directa,
que eso no lo no lo he probado,

2279
01:57:08.280 --> 01:57:11.280
pero vamos,
es que todo depende mucho de la licencia

2280
01:57:11.640 --> 01:57:15.040
y por ir por ir cerrando ya que son
las dos quedan cosas pendientes,

2281
01:57:15.040 --> 01:57:16.600
pero creo que no son tan relevantes.

2282
01:57:16.600 --> 01:57:21.600
Lo único que quiero mencionar
es que todo esto que estamos viendo de

2283
01:57:21.680 --> 01:57:25.760
de aplicado a texto también lo
podemos aplicar a imágenes.

2284
01:57:26.080 --> 01:57:28.760
Entonces también con CoPilot
podemos generar imágenes

2285
01:57:28.760 --> 01:57:32.040
que pueden ser relevantes,
pues si queremos hacer alguna imagen

2286
01:57:32.040 --> 01:57:35.560
promocionando la UPN o para la web
se puede pedir

2287
01:57:36.520 --> 01:57:39.320
más técnicas de prompt,
que estoy igual ya lo conocíais muchos.

2288
01:57:39.320 --> 01:57:44.240
Y lo que se puede hacer ahora también
muy chulo es pedirle gráficos gráficos

2289
01:57:44.480 --> 01:57:48.200
para que la imagen no sea una
imagen artística, sino un gráfico.

2290
01:57:48.200 --> 01:57:52.080
Y en esto, puesto la convocatoria que os
enseñé, le pedía que me diese un gráfico

2291
01:57:52.080 --> 01:57:55.480
de todos los pasos que tiene que hacer
el investigador para solicitarla.

2292
01:57:55.640 --> 01:57:59.120
Lo malo de estos gráficos
es que no puedo editarlo después, sino sí

2293
01:57:59.160 --> 01:58:02.600
que puedo pasarle la foto
y decirle que modifique cierto aspecto,

2294
01:58:03.040 --> 01:58:05.640
pero son cosas que se van poniendo
poquito a poco.

2295
01:58:05.640 --> 01:58:08.480
Y en las imágenes
vamos a ver que a ver, proceso

2296
01:58:08.480 --> 01:58:11.680
muy grande, cada vez
los modelos son mejores y vamos a poder

2297
01:58:11.680 --> 01:58:15.440
pedir este tipo de cosas que igual antes
era muy difícil de producir

2298
01:58:15.480 --> 01:58:18.680
y ahora pues igual de muy sencillo
de hacerlo, siempre verificando.

2299
01:58:18.680 --> 01:58:23.320
Obviamente incluso se puede acompañar
webs en procedimientos

2300
01:58:23.320 --> 01:58:26.320
para que la gente lo entiende
de una forma más sencilla,

2301
01:58:26.320 --> 01:58:29.760
ahorrándote el tiempo de hacer que antes
no lo teníamos, pues no lo hacíamos.

2302
01:58:30.440 --> 01:58:34.280
Vale, pues una pregunta, cuando hablas,
cuando hablas de buscar en

2303
01:58:34.280 --> 01:58:35.080
imágenes, también

2304
01:58:35.080 --> 01:58:38.920
hablas de buscar en PDF, que es otra cosa
que habitualmente necesitamos.

2305
01:58:39.360 --> 01:58:42.400
Si eso está relacionado
con búsqueda de documentación,

2306
01:58:42.440 --> 01:58:47.160
tú le puedes subir un PDF
y le puedes preguntar y te va a responder.

2307
01:58:47.280 --> 01:58:52.200
Es por eso Es un PDF que tiene información
muy crítica que no puede salir

2308
01:58:52.240 --> 01:58:57.040
Eso vete a CoPilot
porque te garantiza con nuestra licencia.

2309
01:58:57.120 --> 01:58:58.280
Después hay herramientas que están

2310
01:58:58.280 --> 01:59:02.360
muy perfeccionadas para búsquedas en PDF
como es Notebook.

2311
01:59:02.360 --> 01:59:07.520
LM Pues yo ahí mi consejo es
con cosas que son públicas, prueba también

2312
01:59:08.040 --> 01:59:12.080
porque te ofrecen un beneficio
en las cosas que necesita licencia,

2313
01:59:12.120 --> 01:59:15.960
vete a CoPilot y te va a funcionar
bastante bien en ese

2314
01:59:16.000 --> 01:59:20.000
en ese aspecto, el pasarlo en PDF,
eso sin duda hay, digamos.

2315
01:59:20.320 --> 01:59:23.360
Javier ha hecho mucha insistencia
en CoPilot y lo ha hecho

2316
01:59:23.880 --> 01:59:27.680
porque así también se lo hemos pedido en
no mucho tiempo.

2317
01:59:27.680 --> 01:59:29.560
Anunciaremos algo relacionado con Google.

2318
01:59:29.560 --> 01:59:34.160
Lo digo porque todo esto que está diciendo
Javier, en unos días o semanas

2319
01:59:34.200 --> 01:59:36.640
podemos aplicarlo
también con otras herramientas. ¿Vale?

2320
01:59:36.640 --> 01:59:40.600
A día de hoy
lo único que podemos confirmar es CoPilot,

2321
01:59:40.600 --> 01:59:44.160
pero bueno, ahora habrá más opciones
para la gente de la UPM.

2322
01:59:45.760 --> 01:59:48.080
Vale, pues
me quedaron algunas cosas en el tintero,

2323
01:59:48.080 --> 01:59:52.400
pero son cosas que si subimos las slides
las podéis ver pero no son relevantes.

2324
01:59:52.400 --> 01:59:53.400
Lo principal que quería

2325
01:59:53.400 --> 01:59:56.840
que el llevases de esta sesión
es esas técnicas de prompt y.

2326
01:59:57.400 --> 02:00:00.720
Y por mi parte,
a menos que haya alguna duda, pero creo

2327
02:00:00.800 --> 02:00:04.160
ya estamos fuera de tiempo,
lo dejaríamos ya

2328
02:00:04.160 --> 02:00:07.160
por aquí.

2329
02:00:07.320 --> 02:00:10.320
Denominado Javier en

2330
02:00:10.960 --> 02:00:13.320
Bueno, hay alguna consulta en el chat.

2331
02:00:13.320 --> 02:00:14.880
Yo no sé si podemos contestarla.

2332
02:00:14.880 --> 02:00:17.880
Jessica, aunque cerremos la reunión,

2333
02:00:18.400 --> 02:00:20.920
si las he ido contestando.

2334
02:00:20.920 --> 02:00:23.920
A ver.

2335
02:00:24.320 --> 02:00:25.280
Al UPM Drive,

2336
02:00:25.280 --> 02:00:29.400
no a lo que pregunta
María Ángeles no puede acceder.

2337
02:00:29.400 --> 02:00:33.480
Lo que tú puedes es copiar ese fichero,
arrastrarlo a CoPilot

2338
02:00:33.480 --> 02:00:36.480
y ya se guarda automáticamente en tu web
drive.

2339
02:00:36.960 --> 02:00:40.520
Al final es tener
la información duplicada, pero como tal

2340
02:00:40.520 --> 02:00:44.600
no puede acceder directamente CoPilot
a tu drive, es simplemente copiarlo.

2341
02:00:47.920 --> 02:00:49.040
Eso es.

2342
02:00:49.040 --> 02:00:53.880
Vi por ahí también lo del excel
que preguntaba es que él está protegido.

2343
02:00:53.880 --> 02:00:56.880
Si, si lo subo a CoPilot no

2344
02:00:56.960 --> 02:00:58.280
es culpa de Microsoft.

2345
02:00:58.280 --> 02:01:01.280
Si se difunde esa información no

2346
02:01:02.280 --> 02:01:04.400
tendría que pagar una demonización.

2347
02:01:04.400 --> 02:01:08.120
Si te atreves a responder
lo del mito de lo del inglés, digo no sé,

2348
02:01:08.160 --> 02:01:11.240
depende de lo de cómo estoy entrenado.

2349
02:01:11.840 --> 02:01:15.080
Anabel Castillo dice
Tengo una duda sobre un mito

2350
02:01:15.080 --> 02:01:17.920
de que el plan funciona
mejor si se escribe en inglés.

2351
02:01:17.920 --> 02:01:18.680
¿Vale?

2352
02:01:18.680 --> 02:01:21.480
No, es que no

2353
02:01:21.480 --> 02:01:23.760
me contesta tú siquiera,
que supongo que también irás.

2354
02:01:23.760 --> 02:01:26.440
Por lo menos no le había contestado. Yo.

2355
02:01:26.440 --> 02:01:29.200
De todos modos, no, perdona,
no lo he puesto.

2356
02:01:29.200 --> 02:01:31.840
A lo mejor se le manda en privado,
pero bueno, que si es verdad

2357
02:01:31.840 --> 02:01:34.880
que seguramente antes la IA tiene sesgos.

2358
02:01:34.880 --> 02:01:38.640
Si se ha entrenado con más inglés
que otra cosa, es posible que en inglés

2359
02:01:38.640 --> 02:01:39.640
pueda contestar mejor.

2360
02:01:39.640 --> 02:01:42.120
Lo que pasa es que habría habría
que valorar cada

2361
02:01:42.120 --> 02:01:44.480
una respuesta por separado,
no como algo genérico.

2362
02:01:44.480 --> 02:01:48.440
En español hay bastante texto
y funciona bastante bien en general. Sí,

2363
02:01:49.400 --> 02:01:52.040
Por resumir un poquillo para las tareas

2364
02:01:52.040 --> 02:01:56.320
que tenemos en nuestro día a día
con español e inglés lo vamos a notar.

2365
02:01:56.320 --> 02:01:59.040
La la diferencia.

2366
02:01:59.040 --> 02:02:02.480
Además, el español es el segundo idioma
que más acceso datos

2367
02:02:02.960 --> 02:02:05.080
tienen a la
hora de entrenar estos modelos.

2368
02:02:05.080 --> 02:02:10.360
Entonces no es algo que preocupa mucho
al principio, pero hoy en día irrelevante

2369
02:02:10.360 --> 02:02:13.360
prácticamente escribirlo en inglés
que en español.

2370
02:02:17.280 --> 02:02:19.160
Estaba David tan preguntando.

2371
02:02:19.160 --> 02:02:22.680
Fernando Sí, sí, un error que le di
una vez dice que le había pedido números

2372
02:02:23.560 --> 02:02:25.960
del uno al 100 y repitió número.

2373
02:02:25.960 --> 02:02:28.840
Pues al final,
como decía, esto es estadística.

2374
02:02:28.840 --> 02:02:31.120
Si él está generado texto
y no, realmente no está haciendo

2375
02:02:31.120 --> 02:02:34.440
un programa que genere números
y compruebe que no se repiten,

2376
02:02:34.520 --> 02:02:40.160
pues caíste en la mala suerte que te tocó
ahí un número repetido y pudo fracasar.

2377
02:02:42.160 --> 02:02:43.960
Sí, también estos

2378
02:02:43.960 --> 02:02:47.280
modelos cuando manejan números
no son tan buenos

2379
02:02:47.280 --> 02:02:50.280
porque están especializados
en entender el lenguaje.

2380
02:02:52.080 --> 02:02:54.840
Y hay tareas muy tontas que no funcionan
bien.

2381
02:02:54.840 --> 02:02:58.160
Nosotros como grupo de investigación
justo vamos estas tareas

2382
02:02:58.320 --> 02:02:59.920
y una cosa que hace muy mal es leerla.

2383
02:02:59.920 --> 02:03:02.920
Ahora
sí que tú le pasas un reloj analógico.

2384
02:03:03.680 --> 02:03:08.080
Muchas veces fallan en decírtelo
porque tienen un sesgo hacia las diez

2385
02:03:08.080 --> 02:03:11.160
-10, que es la hora
que aparecen todos los anuncios

2386
02:03:11.160 --> 02:03:12.520
porque es una hora muy simétrica.

2387
02:03:12.520 --> 02:03:15.520
Entonces hay muchas tareas
que son muy simples, que fallan

2388
02:03:15.600 --> 02:03:18.600
cada vez que no sé decirlo.

2389
02:03:23.560 --> 02:03:25.480
En funcionalidades

2390
02:03:25.480 --> 02:03:28.920
que como de similares o ancha GPT CoPilot.

2391
02:03:30.840 --> 02:03:33.560
Vale, pues en GPT

2392
02:03:33.560 --> 02:03:36.000
bueno, CoPilot
tiene la ventaja de que está integrado

2393
02:03:36.000 --> 02:03:39.000
todo en nuestro ecosistema
con nuestro OneDrive.

2394
02:03:39.320 --> 02:03:42.480
Lo que ocurre es que GPT sirve los modelos
a CoPilot,

2395
02:03:42.520 --> 02:03:44.760
entonces utilizan los mismos modelos,
lo que pasa

2396
02:03:44.760 --> 02:03:48.240
que la forma en que los utilizan
pueden ser un poco un poco diferentes.

2397
02:03:48.560 --> 02:03:52.440
En la integración suele ser un poco mejor
directamente concha GPT,

2398
02:03:52.600 --> 02:03:55.440
porque son los dueños del modelo
los que mejor lo conocen, los que tienen

2399
02:03:55.440 --> 02:03:58.600
acceso directo, pero
las funcionalidades son muy parecidas.

2400
02:03:58.600 --> 02:04:02.800
Por ejemplo, en generación de imágenes
utilizan el mismo modelo de generación

2401
02:04:02.800 --> 02:04:03.320
de imágenes.

2402
02:04:03.320 --> 02:04:04.400
Entonces las diferencias

2403
02:04:04.400 --> 02:04:08.320
entre imágenes generadas con CoPilot y GPT
no suelen ser muy grandes.

2404
02:04:08.360 --> 02:04:10.520
En las propias respuestas
que te da el modelo.

2405
02:04:10.520 --> 02:04:15.520
Tampoco son más cosillas de integración,
pues el tema de los agentes,

2406
02:04:15.520 --> 02:04:19.600
por ejemplo, que podéis ver mi percepción,
pues cada uno lo hace a su forma.

2407
02:04:28.080 --> 02:04:31.080
Pregunta sobre notebooks LM

2408
02:04:31.480 --> 02:04:32.840
que inventó cosas.

2409
02:04:32.840 --> 02:04:34.480
Es raro porque notebook LM

2410
02:04:34.480 --> 02:04:38.560
Es precisamente relacionándolo con lo que
contó Fernando, es una especie de Raj,

2411
02:04:38.560 --> 02:04:42.480
es decir, que te limita las fuentes
de las que puede consultar.

2412
02:04:42.520 --> 02:04:47.600
Entonces no se suele equivocar,
inventar porque tiene que referenciar,

2413
02:04:47.600 --> 02:04:50.600
incluso te pone numerito
para que vayas al documento donde sea,

2414
02:04:50.680 --> 02:04:53.200
donde sea, de dónde
has traído la información.

2415
02:04:53.200 --> 02:04:56.240
Pero bueno, todo esto
no lo contarán en las sesiones de Google

2416
02:04:57.000 --> 02:04:59.400
y supongo que queda más claro.

2417
02:04:59.400 --> 02:05:00.960
No funciona muy bien.

2418
02:05:00.960 --> 02:05:05.320
¿Yo hice un ejemplo con un TFG que es
intentar meterle muchísima información

2419
02:05:05.320 --> 02:05:09.200
y ver si fallaba y por ejemplo, le metimos
todas las guías de las asignaturas

2420
02:05:09.200 --> 02:05:13.720
que son públicas de todo
el grado de teleco y le decimos preguntas

2421
02:05:13.720 --> 02:05:18.800
como qué profesores son los que
en más asignaturas imparten docencia?

2422
02:05:18.840 --> 02:05:23.400
Y ese dato ni siquiera está en escrito,
sino que tienen que ir guía por guía,

2423
02:05:23.400 --> 02:05:26.560
encontrando a los profesores
y haciendo toda la cuenta.

2424
02:05:26.560 --> 02:05:29.520
Y lo respondió bien. Es una pregunta
muy compleja, con muchísimos

2425
02:05:30.760 --> 02:05:33.400
fuentes de información diferentes y muchos
datos.

2426
02:05:33.400 --> 02:05:35.320
Notebook no suele fallar.

2427
02:05:35.320 --> 02:05:38.320
Muy muy raro que falle con tus documentos.

2428
02:05:38.640 --> 02:05:39.920
Podría ser por pensar un poco.

2429
02:05:39.920 --> 02:05:42.000
Depende mucho de
cómo este codificado internamente

2430
02:05:42.000 --> 02:05:45.920
el PDF le haya podido despistar al bucle
porque según se genere

2431
02:05:46.120 --> 02:05:47.680
luego se interna, tiene más texto,

2432
02:05:47.680 --> 02:05:50.040
más imágenes, algo que sea
y a lo mejor ahí la podido fallar.

2433
02:05:50.040 --> 02:05:53.680
Pero bueno, habría
que estudiar el caso en en particular.

2434
02:05:53.920 --> 02:05:56.920
Bueno, la ley de contratos,
que no la entiende nadie, entonces

2435
02:05:57.440 --> 02:06:00.440
que lo que lo que falle.

2436
02:06:03.040 --> 02:06:06.040
Bueno, pues a ver,
seguro que hay muchas más dudas.

2437
02:06:06.080 --> 02:06:08.720
Javier y Fernando
se han dejado el correo electrónico.

2438
02:06:08.720 --> 02:06:11.720
Podéis preguntarles si queréis.

2439
02:06:11.880 --> 02:06:14.600
También nosotros estamos un poco
a vuestra disposición.

2440
02:06:14.600 --> 02:06:18.200
Vamos a hacer más sesiones
en las que seguiremos profundizando en

2441
02:06:18.240 --> 02:06:19.160
la parte de agentes,

2442
02:06:19.160 --> 02:06:23.840
que creo que es un tema muy interesante
para automatizar procesos y que bueno,

2443
02:06:24.000 --> 02:06:28.120
creo que es algo que es interesante
que conozcáis la mayor parte de vosotros.

2444
02:06:28.120 --> 02:06:31.480
Así que bueno, os animo a
que os apuntéis al resto de sesiones.

2445
02:06:31.920 --> 02:06:35.240
Y nada más
agradecer la asistencia ha desbordado

2446
02:06:35.240 --> 02:06:38.320
nuestra expectativa,
ha oído hasta 160 personas conectadas

2447
02:06:38.320 --> 02:06:41.720
y la verdad es que no
esperábamos generar tanto interés.

2448
02:06:41.720 --> 02:06:45.600
Así que nada, encantados
de que lo que hayamos hecho

2449
02:06:45.960 --> 02:06:50.040
haya sido interesante para tanta gente
por nuestra parte, Nada más.

2450
02:06:50.080 --> 02:06:53.960
Nos vemos en principio la semana que viene
si que al que le interese

2451
02:06:54.360 --> 02:06:57.440
pues aquí estaremos en la siguiente sesión
de Primavera Tech.

2452
02:06:57.600 --> 02:07:00.600
Vale, Muy bien. Hasta luego a todos.

2453
02:07:01.160 --> 02:07:02.040
Gracias. Chao.