|
Mostrando las entradas con la etiqueta IA generativa. Mostrar todas las entradas
Mostrando las entradas con la etiqueta IA generativa. Mostrar todas las entradas
lunes, 9 de noviembre de 2026
Más resultados, menos instrucciones con la IA
miércoles, 28 de octubre de 2026
[Infografía] 4 prioridades de infraestructura para escalar la IA de agentes
Me llegó este correo y lo quiero compartir :
|
domingo, 13 de septiembre de 2026
¿Y si en el futuro no escribimos código?
En un post anterior planteaba una pregunta: Si una IA pudiera construir software completamente sola, ¿en qué lenguaje programaría?
Pero después apareció una pregunta todavía más interesante.
Quizás estamos suponiendo algo que no tiene por qué ser cierto.
Quizás una IA ni siquiera necesitaría un lenguaje de programación.
¿Y si pudiera tomar directamente una historia de usuario, comprender su intención y transformarla en software?
Algo así:
Historia de usuario
↓
IA
↓
???
↓
Código máquina
La pregunta entonces es: ¿Qué debería existir en ese espacio entre la intención humana y el código máquina?
¿Por qué no programar directamente en ensamblador?
Si una IA no tiene las limitaciones de un humano, podríamos pensar: Bueno, que programe directamente en ensamblador.
Después de todo, para una IA escribir esto:
mov eax, [rbp-8]
add eax, 1
no debería ser especialmente difícil.
Incluso podríamos ir un poco más arriba:
- LLVM IR
- JVM Bytecode
- .NET IL
- WebAssembly
Una IA podría trabajar directamente sobre una representación intermedia y olvidarse completamente de Java, Python o Rust. Pero hay un problema.
Estas representaciones están demasiado lejos de la intención original.
Una historia de usuario podría decir: Como usuario, quiero transferir dinero entre dos cuentas.
Y el ensamblador termina hablando de:
- registros
- direcciones de memoria
- saltos
- instrucciones
- calling conventions
Nada de eso tiene que ver realmente con una transferencia de dinero.
Son detalles de implementación.
Y probablemente una IA no querría tomar esas decisiones demasiado pronto.
La pregunta no es: ¿Qué registro debería usar?
La pregunta es: ¿Qué significa transferir dinero?
Hoy el proceso es relativamente conocido:
Código fuente
↓
Parser
↓
AST
↓
IR / Bytecode
↓
Optimización
↓
Código máquina
Y tiene una propiedad extremadamente importante: Es determinista.
Si tenemos:
Código fuente
+
Compilador
+
Configuración
esperamos obtener el mismo resultado.
Eso nos da cosas fundamentales:
- reproducibilidad;
- debugging;
- auditoría;
- control de versiones;
- seguridad;
- testing.
Podemos congelar una versión del software.
Podemos volver atrás.
Podemos comparar cambios.
Podemos saber exactamente qué fue desplegado.
Y si reemplazamos el código por una historia de usuario?
Imaginemos esto:
Historia de usuario
↓
IA generativa
↓
Código máquina
Suena increíble.
Pero aparece un problema.
Supongamos que la historia dice: Como usuario quiero transferir dinero entre dos cuentas.
La primera vez, la IA podría generar:
TransferService
↓
PostgreSQL
↓
Transacción ACID
La segunda vez:
Event Sourcing
↓
Kafka
↓
Consistencia eventual
Y quizás ambas soluciones sean técnicamente correctas.
Pero hay un detalle importante. No son el mismo software.
Incluso aunque la entrada sea exactamente la misma.
Un compilador tradicional no "interpreta" el código cada vez.
No vuelve a pensar qué quiso decir el programador.
Las reglas ya están definidas.
Pero una IA generativa trabaja de otra manera.
Puede existir variabilidad.
Puede cambiar el modelo.
Puede cambiar el contexto.
Puede cambiar la temperatura.
Puede cambiar la recuperación de información.
Puede aparecer una nueva versión del modelo.
Entonces imaginemos algo así:
Historia de usuario
↓
IA versión 1
↓
Software A
Un año después:
La misma historia de usuario
↓
IA versión 2
↓
Software B
Y quizás Software B sea incluso "mejor".
Pero no necesariamente sea compatible con A.
Ni tenga los mismos comportamientos.
Ni las mismas garantías.
Entonces, ¿podemos realmente llamar a eso compilación?
Otra posibilidad interesante sería:
Historia de usuario
↓
Embedding
↓
Espacio vectorial
↓
IA
↓
Código máquina
La idea sería que el software no estuviera representado principalmente como texto.
No guardaríamos solamente:
class TransferService
Sino algo más cercano al significado: Una operación que mueve una cantidad positiva de dinero desde una cuenta hacia otra preservando determinadas invariantes.
Una IA podría trabajar sobre representaciones semánticas.
Buscar conceptos similares.
Relacionar patrones.
Encontrar soluciones previamente utilizadas.
Incluso reutilizar conocimiento sin necesidad de importar una librería de la manera tradicional.
Es una idea poderosa.
Pero también peligrosa.
Porque una base vectorial responde muy bien a una pregunta como: ¿Qué se parece a esto?
Pero el software muchas veces necesita responder: ¿Esto es exactamente esto?
Y esas son preguntas muy diferentes.
Supongamos estas dos reglas:
Un usuario puede acceder al documento.
Un administrador puede acceder al documento.
Para un modelo semántico, ambas frases podrían ser muy similares.
Pero desde el punto de vista del software, la diferencia puede ser crítica.
O estas:
El usuario puede retirar hasta $10.000.
El usuario debe retirar exactamente $10.000.
Una palabra cambia completamente el comportamiento.
Por eso una representación vectorial no debería ser la fuente final de verdad.
Podría ayudar a la IA a:
- encontrar conocimiento;
- recuperar patrones;
- relacionar conceptos;
- reutilizar soluciones;
- comprender contexto.
Pero en algún momento necesitamos algo más preciso.
Algo que podamos versionar.
- Comparar.
- Verificar.
- Congelar.
Quizás el futuro tenga dos etapas. Y acá aparece una arquitectura que me resulta mucho más interesante.
La primera parte puede ser generativa.
La segunda debe ser determinista.
```text
┌──────────────┐
│ HUMANO │
│ │
│ Historias de usuario │
│ Conversaciones │
│ Requisitos │
└────┬─────────┘
↓
┌─────────────┐
│ IA GENERATIVA │
│ │
│ Interpreta │
│ Pregunta │
│ Propone │
│ Diseña │
│ Explora alternativas │
└────┬───────┘
↓
🔒 SE CONGELA
↓
┌───────────────────────┐
│ REPRESENTACIÓN SEMÁNTICA │
│ │
│ Entidades │
│ Reglas │
│ Tipos │
│ Contratos │
│ Invariantes │
│ Propiedades │
└────────┬──────────────┘
↓
┌────────────────────────┐
│ COMPILACIÓN DETERMINISTA │
└──────────┬─────────────┘
↓
┌────────┼────────┐
↓ ↓ ↓
x86 ARM WASM
Y para mí, ese punto donde se congela la intención es fundamental.
Antes de ese punto, la IA puede ser creativa.
Puede explorar.
Puede probar arquitecturas.
Puede buscar alternativas.
Puede decidir si algo debería ser:
- una transacción;
- un evento;
- una cola;
- una función;
- una tabla;
- un servicio distribuido.
Pero después de ese punto, ya no debería cambiar de opinión.
Quizás el futuro de la programación no sea:
Humano
↓
Código
↓
Compilador
↓
Máquina
Sino:
Humano
↓
Intención
↓
IA
↓
Especificación
↓
Compilador
↓
Máquina
La IA sería responsable de responder: ¿Qué quiso decir el humano?
La especificación respondería: Esto es exactamente lo que el sistema debe hacer.
Y el compilador respondería: Entonces esto es lo que voy a ejecutar.
Quizás esa sea la verdadera frontera
Hoy usamos IA para generar código.
Le damos un prompt y obtenemos:
@Service
public class TransferService {
...
}
Pero eso quizás sea solo una etapa intermedia.
Tal vez en el futuro ni siquiera queramos revisar Java. Ni Python. Ni Rust.
Queramos revisar directamente algo como:
ENTITY Account
INVARIANT
balance >= 0
OPERATION transfer
FROM source
TO destination
AMOUNT amount
REQUIRES
amount > 0
source.balance >= amount
ENSURES
source.balance decreases by amount
destination.balance increases by amount
Eso sería mucho más cercano a la intención que al código.
Y después podríamos dejar que el sistema decida si eso termina convertido en:
- Rust;
- Java;
- SQL;
- WebAssembly;
- bytecode;
- ensamblador.
Entonces, ¿qué debería ser generativo y qué debería ser determinista?
Creo que esa puede ser la verdadera división.
Generativo:
- Comprender requisitos
- Resolver ambigüedades
- Diseñar
- Explorar alternativas
- Optimizar
- Buscar patrones
Determinista:
- Representar la especificación
- Verificar reglas
- Validar invariantes
- Compilar
- Ejecutar
Porque si dejamos que una IA generativa vuelva a interpretar la intención cada vez que "compilamos", entonces algo extraño ocurre.
Ya no estamos compilando el software. Estamos volviendo a diseñarlo cada vez.
Y eso puede ser fantástico durante la creación.
Pero sería aterrador en producción.
miércoles, 4 de marzo de 2026
Cinco pasos para desarrollar las habilidades de IA de tu equipo
Recibí este mail de la gente google y quería compartirlo :
|
|
Hola Emanuel, |
Los empleados están experimentando con la IA, pero no tienen las habilidades para usarla correctamente. ¿Qué pasaría si pudieras convertir sus ambiciones en relación con la IA en resultados reales? |
Explora cómo crear una organización preparada para la IA con cinco pasos clave para desarrollar las habilidades correspondientes con rapidez y eficacia, incluido lo siguiente: |
|
|
Nos vemos en la nube, El equipo de Google Cloud |
 |
 |
lunes, 9 de febrero de 2026
Aprende a crear Agentes de Inteligencia Artificial desde cero con Microsoft
¿Querés entender cómo funcionan los agentes de inteligencia artificial y construir los tuyos propios? Microsoft lanzó un curso gratuito, práctico y de nivel principiante llamado “AI Agents for Beginners” que te lleva de la teoría al código paso a paso.
¿Qué vas a aprender?
El curso está compuesto por 10 lecciones estructuradas que cubren desde conceptos fundamentales hasta ejemplos prácticos de construcción de agentes de IA.
Algunos temas incluyen:
- Introducción a los agentes de IA y casos de uso.
- Cómo diseñar y estructurar agentes inteligentes.
- Explorar frameworks y arquitecturas para agentes.
- Patrones de diseño para agentes confiables y eficientes.
- Cómo llevar un agente a producción.
Cada lección incluye texto explicativo, ejemplos de código y videos, por lo que podés empezar sin experiencia previa.
¿Qué herramientas y tecnologías se usan?
El curso integra varios frameworks y servicios de Microsoft para crear y ejecutar agentes de IA, incluyendo:
- Microsoft Agent Framework (MAF) – un conjunto de herramientas para construir agentes IA.
- Azure AI Agent Service – para desplegar y escalar agentes en la nube.
- Semantic Kernel – para diseñar la lógica interna de los agentes.
- AutoGen – para facilitar el desarrollo con modelos generativos.
Además, podrás ejecutar los ejemplos usando Jupyter Notebooks y probar distintos modelos, incluso con opciones gratuitas (como modelos hospedados por GitHub).
¿Cómo empezar?
- Cloná el repositorio oficial en GitHub: git clone https://github.com/microsoft/ai-agents-for-beginners
- Explorá las lecciones según tu ritmo.
- Probá los ejemplos de código en tu entorno local o en plataformas de notebooks.
- Sumate al Discord de Azure AI si necesitás ayuda o querés conectar con otros estudiantes.
¿Vas a aprovecharlo para tu próximo proyecto de IA? 🤖💡
Dejo link:
jueves, 4 de diciembre de 2025
Desafíos, límites y futuro de la IA generativa
Aunque las inteligencias artificiales generativas parecen “mágicas”, están lejos de ser perfectas.
Entender sus limitaciones, riesgos y posibilidades es clave para usarlas de forma responsable y aprovechar su verdadero potencial.
Uno de los mayores desafíos de los modelos generativos es que pueden inventar información con total confianza. Esto se conoce como una alucinación.
Por ejemplo, un modelo puede afirmar que un autor escribió un libro inexistente, o que una función de Python se llama de una forma incorrecta.
¿Por qué ocurre? Porque los modelos no “saben” cosas; predicen patrones.
Si un conjunto de palabras “suena correcto” según su entrenamiento, lo dirán, aunque no sea verdad.
Los modelos no distinguen entre lo probable y lo verdadero.
Por eso, cada vez más investigaciones buscan reducir las alucinaciones mediante:
- integración con bases de conocimiento verificables,
- modelos híbridos (razonamiento simbólico + redes neuronales),
- y retroalimentación constante con información actualizada.
Los modelos aprenden del lenguaje humano… y el lenguaje humano está lleno de sesgos: culturales, políticos, de género, raciales, etc.
Por eso, un modelo puede reflejar o amplificar esos sesgos si no se controla cuidadosamente.
Las empresas e instituciones que desarrollan IA trabajan con:
- equipos de ética y auditorías externas,
- filtrado de datos para reducir prejuicios,
- y técnicas como RLHF para mejorar la alineación con valores humanos.
Aun así, es un problema abierto:
> ¿cómo definimos lo que es “ético” o “correcto” en contextos culturales tan distintos?
Otro debate importante gira en torno a de dónde provienen los datos de entrenamiento.
Muchos modelos se entrenaron con grandes cantidades de texto de Internet, lo que plantea preguntas como:
- ¿Quién es dueño del contenido generado?
- ¿Puede un modelo “aprender” de obras con copyright?
- ¿Qué pasa si memoriza datos sensibles?
Por eso, surgen nuevos enfoques:
- entrenamientos con datos privados o sintéticos,
- modelos open source auditables,
- y regulaciones en camino, como la AI Act en la Unión Europea.
Entrenar un modelo generativo grande puede costar millones de dólares y consumir enormes cantidades de energía.
Por ejemplo, un solo entrenamiento puede requerir miles de GPU durante semanas.
Esto llevó al desarrollo de:
- modelos más pequeños y eficientes (como LLaMA, Mistral o Phi),
- técnicas de compresión y cuantización,
- y estrategias de entrenamiento más ecológicas, como el sparse training o distillation.
El futuro apunta a modelos más sostenibles y distribuidos, accesibles incluso para equipos pequeños o dispositivos personales.
Uno de los mayores malentendidos es pensar que la IA viene a reemplazar a las personas.
En realidad, los mejores resultados se logran cuando humanos e IA trabajan juntos.
Diseñadores, programadores, escritores, docentes y científicos ya usan IA como:
- asistente de ideas,
- generador de borradores,
- corrector o analista,
- y herramienta de simulación o exploración creativa.
La IA amplifica la inteligencia humana, no la sustituye.
En los próximos años veremos una expansión hacia modelos:
- multimodales completos, capaces de entender y generar texto, imagen, audio y video de forma unificada;
- razonadores, que combinen generación con pensamiento lógico y planificación;
- y personales, ajustados a nuestros hábitos, tono y estilo de comunicación.
Todo esto impulsará nuevas disciplinas como: AI Engineering, Prompt Design, AI Safety y Cognitive AI.
La inteligencia artificial generativa es una herramienta poderosa, pero también un espejo: refleja nuestras virtudes y nuestros límites como sociedad.
Su desarrollo plantea una pregunta fundamental:
> ¿Queremos máquinas que hablen como nosotros…
> o que piensen junto a nosotros?
El futuro dependerá de cómo respondamos a esa pregunta hoy.
Cómo se ajustan y mejoran los modelos generativos
Hay una pregunta clave que todavía no respondimos:
¿Cómo pasa un modelo de simplemente “predecir palabras” a comportarse como un asistente conversacional capaz de seguir instrucciones, responder con criterio o incluso tener “personalidad”?
La respuesta está en una serie de procesos que ocurren después del entrenamiento base, conocidos como fine-tuning, instruction tuning y RLHF (Reinforcement Learning from Human Feedback).
Estos pasos son los que transforman un modelo genérico en algo útil, amigable y confiable.
Durante el entrenamiento base, el modelo aprende cómo funciona el lenguaje: gramática, semántica, relaciones, contexto.
Pero todavía no sabe qué tipo de comportamiento esperamos de él.
Por ejemplo, un modelo base podría responder:
> “No sé quién sos ni por qué me hablás así.”
> cuando le pedimos algo tan simple como “Explicame qué es la fotosíntesis.”
Por eso, se aplica una segunda etapa de entrenamiento: el fine-tuning.
El fine-tuning (ajuste fino) consiste en volver a entrenar el modelo con un conjunto de datos más pequeño y específico, para especializarlo en una tarea o comportamiento.
Por ejemplo: un modelo ajustado para atención al cliente, otro para generar código en Python, o uno especializado en medicina o derecho.
Durante el fine-tuning, el modelo aprende qué tipo de respuestas son deseables para su dominio.
Así, su conocimiento general se adapta a un propósito particular.
Una evolución del fine-tuning es el instruction tuning, que consiste en entrenar al modelo con ejemplos de pares instrucción → respuesta.
Ejemplo:
Instrucción: "Explicá la teoría de la evolución en pocas palabras."
Respuesta: "La teoría de la evolución describe cómo las especies cambian con el tiempo mediante la selección natural."
Después de ver miles de estos ejemplos, el modelo aprende que cuando alguien escribe algo como:
> “Contame brevemente cómo funciona X”
…debe responder de forma informativa, concisa y alineada con la intención del usuario.
Este es el paso que convierte un modelo base en algo más parecido a un asistente útil.
El Reinforcement Learning from Human Feedback (Aprendizaje por refuerzo a partir de retroalimentación humana) va un paso más allá.
En lugar de entrenar solo con ejemplos escritos, el modelo se ajusta usando la opinión de evaluadores humanos.
El proceso funciona así:
- El modelo genera varias posibles respuestas a una misma pregunta.
- Personas reales eligen cuál es la mejor, más útil o más segura.
- El sistema aprende a preferir las respuestas mejor valoradas.
De esta forma, el modelo no solo aprende lenguaje, sino también criterios de comportamiento: ser claro, respetuoso, evitar sesgos o rechazar solicitudes inapropiadas.
Incluso con todos estos ajustes, el modelo todavía depende de cómo lo usamos.
Ahí entra en juego el prompt engineering, o ingeniería de instrucciones: la práctica de formular entradas (prompts) de manera que el modelo produzca el resultado que buscamos.
Por ejemplo:
En lugar de: “Explicame Python.”
Mejor: “Explicame Python como si fuera mi primer lenguaje de programación.”
En lugar de: “Escribí un poema.”
Mejor: “Escribí un poema corto y humorístico sobre un programador que no duerme.”
Un buen prompt actúa como un mapa mental que guía al modelo hacia el tipo de respuesta deseada.
Y aunque los modelos actuales son más robustos, la forma de preguntar sigue siendo clave.
Gracias a estas técnicas, hoy existen:
- Modelos generales (como GPT o Gemini),
- Modelos especializados (como los de código, salud o educación),
- y modelos adaptativos, que se ajustan dinámicamente según la conversación o el contexto.
El fine-tuning también puede hacerse de manera local o privada, permitiendo que empresas o instituciones adapten un modelo general a sus propios datos sin compartirlos públicamente.
Un modelo generativo no nace “inteligente”: aprende primero cómo hablar, luego cómo comportarse, y finalmente cómo adaptarse a cada situación.
El proceso completo es:
- Entrenamiento base: aprende el lenguaje.
- Fine-tuning / Instruction tuning: aprende tareas específicas y cómo responder.
- RLHF: se alinea con la forma en que las personas esperan que actúe.
- Prompt engineering: lo guiamos en tiempo real con buenas instrucciones.
domingo, 30 de noviembre de 2025
Modelos multimodales: cuando la IA entiende más que texto
Hasta ahora vimos cómo los Modelos de Lenguaje Grandes (LLM) son capaces de generar y comprender texto de forma sorprendente.
Pero el lenguaje no es la única forma en la que los humanos nos comunicamos: también usamos imágenes, sonidos, gestos y video.
Por eso, la nueva generación de inteligencia artificial apunta a algo más ambicioso: modelos capaces de entender y generar múltiples tipos de información al mismo tiempo.
A estos se los conoce como modelos multimodales.
El término multimodal viene de modalidad, que en este contexto significa tipo de dato o forma de comunicación.
Un modelo multimodal puede trabajar con más de una modalidad, por ejemplo: Texto, Imágenes, Audio, Video, etc
Así como un LLM aprende relaciones entre palabras, un modelo multimodal aprende relaciones entre palabras, píxeles y sonidos, entendiendo cómo se conectan entre sí.
Imaginá que escribís:
> “Mostrame un perro corriendo en la playa.”
Un modelo como DALL·E, Midjourney o Stable Diffusion convierte ese texto en una imagen realista que representa exactamente esa escena.
Lo inverso también es posible:
Subís una imagen y pedís:
> “Describí lo que ves.”
El modelo responde algo como:
> “Un perro marrón corriendo junto al mar en un día soleado.”
Eso significa que entendió el contenido visual y lo tradujo en texto coherente.
Los modelos multimodales se construyen extendiendo la arquitectura de los transformers.
Cada tipo de dato (texto, imagen, audio) se convierte en una representación numérica común, llamada embedding.
🔹 En el caso del texto, cada palabra se transforma en un vector.
🔹 En el caso de las imágenes, cada región o conjunto de píxeles también se transforma en vectores.
De esta forma, el modelo puede aprender correlaciones entre ambos mundos. Por ejemplo, que la palabra “perro” suele aparecer junto a formas con cuatro patas, hocico y pelaje.
El resultado es un sistema capaz de razonar sobre distintos tipos de información en simultáneo.
Lo interesante es que estos modelos no solo describen imágenes, sino que también razonan sobre ellas.
Por ejemplo, pueden interpretar gráficos, analizar documentos escaneados o incluso entender memes.
La IA generativa está dejando de ser “solo texto” para convertirse en una plataforma perceptiva.
Los modelos multimodales son un paso hacia sistemas que pueden:
- mirar, escuchar y leer al mismo tiempo,
- entender contextos complejos del mundo real,
- y comunicarse de forma natural con las personas.
Por ejemplo, un asistente multimodal podría:
- leer un documento PDF,
- observar una foto de un diagrama,
- escuchar una explicación verbal,
- y responder con una síntesis combinando todo eso.
A medida que los modelos multimodales se integran con sensores, cámaras o dispositivos, nos acercamos a una IA más integrada con el entorno humano.
Esto abre posibilidades en:
- Educación (IA que enseña con imágenes y audio)
- Medicina (análisis de radiografías + texto clínico)
- Programación (lectura de código y diagramas)
- Arte (creación de video, música y texto combinados)
El objetivo final es una IA capaz de entender el mundo como nosotros: con todos los sentidos combinados.
martes, 25 de noviembre de 2025
Qué es un LLM (Large Language Model) ?
Hasta ahora vimos que un modelo generativo aprende a predecir la siguiente palabra dentro de una secuencia.
Pero ¿cómo pasamos de un simple predictor de texto a sistemas capaces de mantener conversaciones, razonar o escribir código?
La respuesta está en una sigla que probablemente ya viste muchas veces: LLM, o Large Language Model —Modelo de Lenguaje Grande.
Un LLM es un modelo de inteligencia artificial entrenado con cantidades masivas de texto —libros, artículos, código, conversaciones, sitios web— con el objetivo de aprender cómo funciona el lenguaje humano.
No se trata solo de palabras: el modelo aprende relaciones semánticas, contexto, estilo y tono.
Por eso, puede no solo completar frases, sino también adaptarse al contexto de una pregunta o instrucción.
Por ejemplo:
“Escribí un poema sobre gatos como si fueras Borges.”
El modelo comprende la estructura poética, el tema (gatos) y el estilo solicitado (Borges), y genera un texto coherente con todo eso.
El adjetivo Large (grande) no es casual.
Un LLM tiene miles de millones de parámetros, que son los “pesos” ajustados durante el entrenamiento.
Cuantos más parámetros, mayor capacidad tiene el modelo para reconocer patrones complejos y producir respuestas matizadas.
Esto significa que el modelo tiene un “cerebro” enorme, con miles de millones de conexiones que representan lo que aprendió sobre el lenguaje.
El salto que permitió construir los LLM modernos vino de una arquitectura publicada por Google en 2017: “Attention is All You Need”
En ese paper se presentó el Transformer, una estructura basada en un concepto revolucionario: la autoatención (self-attention).
Permite que el modelo “mire” todas las palabras del contexto al mismo tiempo, y decida a cuáles prestar más atención.
Por ejemplo, en la frase:
“El perro que mordió al cartero corrió hacia la casa.”
Para entender quién corrió, el modelo necesita conectar corrió con perro, no con cartero.
La atención le permite establecer esas relaciones de dependencia sin importar la distancia entre palabras.
Esa capacidad para manejar contexto global es lo que hace que los transformers sean tan potentes.
Cuando escribís una pregunta o prompt, el texto se convierte en tokens numéricos.
El modelo procesa esos tokens capa por capa, cada una aplicando atención y transformaciones matemáticas.
Al final, predice la probabilidad de cada posible palabra siguiente.
Por ejemplo:
Entrada: "La inteligencia artificial generativa es"
Salida probable: "una", "capaz", "un", "la"
El modelo elige la palabra más coherente según el contexto.
Luego vuelve a predecir la siguiente… y así sucesivamente, construyendo la respuesta palabra por palabra.
Los LLM no “piensan” como los humanos, pero su entrenamiento masivo les permite capturar regularidades del lenguaje y del pensamiento humano.
En la práctica, eso les da la capacidad de:
- resumir textos,
- traducir idiomas,
- escribir código,
- razonar sobre información textual,
- y mantener conversaciones contextuales extensas.
Por eso, cuando hablamos con un modelo como ChatGPT, sentimos que hay comprensión real detrás —aunque lo que hay es una predicción probabilística extremadamente sofisticada.
Los LLM tienen límites: pueden inventar información (alucinaciones), carecen de comprensión profunda del mundo y dependen de los datos con los que fueron entrenados.
Sin embargo, su capacidad de generar texto coherente y útil en contextos muy variados los convierte en una de las herramientas más poderosas creadas hasta ahora.
Suscribirse a:
Entradas (Atom)
