1. ¿QUÉ ES LA IA?
[MARCA 1.1 / 1.2 / 1.3]
(Espacio para identificar ventana, backstage y configuración de página).
[MARCA 2.1 / 2.2]
(Espacio para que el estudiante genere texto con =lorem y =rand).
[MARCA 3.1 - INICIO DE CONTENIDO IMPORTADO]
Lorem ipsum dolor sit amet, consectetuer adipiscing elit. Maecenas porttitor congue
massa. Fusce posuere, magna sed pulvinar ultricies, purus lectus malesuada libero, sit
amet commodo magna eros quis urna. Nunc viverra imperdiet enim. Fusce est.
Vivamus a tellus. Pellentesque habitant morbi tristique senectus et netus et malesuada
fames ac turpis egestas. Proin pharetra nonummy pede. Mauris et orci. Aenean nec
lorem.
In porttitor. Donec laoreet nonummy augue. Suspendisse dui purus, scelerisque at,
vulputate vitae, pretium mattis, nunc. Mauris eget neque at sem venenatis eleifend. Ut
nonummy.
Fusce aliquet pede non pede. Suspendisse dapibus lorem pellentesque magna.
Integer nulla. Donec blandit feugiat ligula. Donec hendrerit, felis et imperdiet euismod,
purus ipsum pretium metus, in lacinia nulla nisl eget sapien.
El vídeo proporciona una manera eficaz para ayudarle a demostrar el punto.
Cuando haga clic en Vídeo en línea, puede pegar el código para insertar del
vídeo que desea agregar. También puede escribir una palabra clave para buscar
en línea el vídeo que mejor se adapte a su documento.
Para otorgar a su documento un aspecto profesional, Word proporciona encabezados,
pies de página, páginas de portada y diseños de cuadro de texto que se
complementan entre sí. Por ejemplo, puede agregar una portada coincidente, el
encabezado y la barra lateral. Haga clic en Insertar y elija los elementos que desee de
las distintas galerías.
Los temas y estilos también ayudan a mantener su documento coordinado. Cuando
haga clic en Diseño y seleccione un tema nuevo, cambiarán las imágenes, gráficos y
gráficos SmartArt para que coincidan con el nuevo tema. Al aplicar los estilos, los
títulos cambian para coincidir con el nuevo tema.
[MARCA 3.2]
La inteligencia artificial (IA) es una tecnología que permite a ordenadores y máquinas
simular las capacidades humanas de aprendizaje, comprensión, resolución de
problemas, toma de decisiones, creatividad y autonomía.
Las aplicaciones y dispositivos equipados con IA pueden ver e identificar objetos.
Pueden comprender y responder al lenguaje humano. Pueden aprender de nueva
información y experiencia. Pueden actuar de forma autónoma (un ejemplo clásico es
un coche autónomo). Pero en 2024, la mayoría de los investigadores se centran en la
IA generativa, una tecnología que puede crear textos, imágenes y vídeos originales.
[MARCA 4.1 - APLICAR SANGRÍA 1RA LÍNEA E INTERLINEADO 1.5]
Una forma sencilla de entender la IA es como una serie de conceptos anidados o
derivados que han ido surgiendo a lo largo del tiempo. El machine learning permite a
los ordenadores aprender de los datos y hacer inferencias basadas en ellos, sin
necesidad de estar explícitamente programados para tareas específicas.
[MARCA 4.2 - APLICAR SANGRÍA IZQUIERDA]
Existen muchos tipos de algoritmos como regresión lineal, la regresión logística, los
árboles de decisión, los bosques aleatorios, las máquinas de vectores de soporte
(SVM) y los k vecinos más cercanos (KNN). Cada uno de estos enfoques es adecuado
para distintos tipos de problemas y datos complejos en grandes cantidades.
[MARCA 4.3 - APLICAR SANGRÍA DERECHA E INTERLINEADO DOBLE]
Las redes neuronales (o redes neuronales artificiales) se modelan a partir de la
estructura y función del cerebro humano. Una red neuronal consta de capas
interconectadas de nodos que trabajan juntas para procesar y analizar datos. Son
ideales para identificar patrones y relaciones en volúmenes masivos de información.
[MARCA 4.4 - APLICAR SANGRÍA FRANCESA]
El aprendizaje supervisado implica el uso de conjuntos de datos etiquetados para
entrenar algoritmos y clasificar datos o predecir resultados con precisión. En este
método, los humanos emparejan cada ejemplo de entrenamiento con una etiqueta de
salida para que el modelo aprenda la asignación correcta.
[MARCA 4.5 - APLICAR DOS COLUMNAS CON LÍNEA]
El aprendizaje supervisado utiliza conjuntos de datos etiquetados para entrenar
algoritmos y clasificar datos o predecir resultados con precisión. Los humanos
emparejan cada ejemplo con una etiqueta de salida. El objetivo es que el modelo
aprenda la asignación de datos invisibles.
El aprendizaje no supervisado utiliza algoritmos para analizar y agrupar conjuntos de
datos no etiquetados. Estos algoritmos descubren patrones ocultos o agrupaciones de
datos sin necesidad de intervención humana, automatizando la extracción de
características de conjuntos estructurados.
[MARCA 4.6 - APLICAR TRES COLUMNAS SIN LÍNEA]
Entrenamiento
La IA generativa comienza con un "modelo fundacional", un modelo de deep learning que sirve
de base para múltiples tipos diferentes de aplicaciones de IA generativa.
Los modelos fundacionales más comunes hoy en día son los modelos de lenguaje de gran
tamaño (LLM), creados para aplicaciones de generación de texto. Pero también hay modelos
fundacionales para la generación de imagen, vídeo, sonido o música, y modelos fundacionales
multimodales que soportan varios tipos de contenido.
Para crear un modelo fundacional, los profesionales entrenan un algoritmo de deep learning
con grandes volúmenes de datos relevantes, sin estructurar y sin etiquetar, como terabytes o
petabytes de texto de datos, imágenes o videos de Internet. El entrenamiento proporciona una
red neuronal de miles de millones de parámetros (representaciones codificadas de las
entidades, patrones y relaciones en los datos) que puede generar contenido de forma
autónoma en respuesta a las instrucciones. Este es el modelo fundacional.
Este proceso de entrenamiento requiere muchos cálculos, tiempo y dinero: requiere miles de
unidades de procesamiento gráfico (GPU) agrupadas y semanas de procesamiento, todo lo cual
cuesta millones de dólares. Los proyectos de modelos fundacionales de código abierto, como
Llama-2 de Meta, permiten a los desarrolladores de IA generativa evitar este paso y sus costes.
[MARCA 5.1 - APLICAR VIÑETAS / NUMERACIÓN]
Principales técnicas de entrenamiento de IA:
Aprendizaje Supervisado
Aprendizaje No Supervisado
Aprendizaje Semisupervisado
Aprendizaje Autosupervisado
Aprendizaje por Refuerzo
Aprendizaje por Transferencia
En general, la IA generativa funciona en tres fases:
Entrenamiento, para crear un modelo fundacional.
Ajuste, para adaptar el modelo a una aplicación específica
Generación, evaluación y más ajustes, para mejorar la precisión.
Beneficios de la IA
La IA ofrece numerosos beneficios en diversos sectores y aplicaciones. Algunos de los
más comúnmente citados incluyen:
Automatización de tareas repetitivas.
Más conocimiento y más rápido a partir de los datos
Mejora de la toma de decisiones.
Disminución de los errores humanos.
Disponibilidad 24x7.
Reducción de riesgos físicos.
[MARCA 5.2 – REEMPLAZO INTELIGENTE]
[MARCA 6.1 – IMPORTACIÓN OBJETO]
MACHINE LEARNING Y DEEP LEARNING
El deep learning es un subconjunto del machine learning que utiliza redes neuronales multicapa,
llamadas redes neuronales profundas, que simulan de manera más cercana el complejo poder de toma
de decisiones del cerebro humano. A diferencia de los modelos clásicos, estos suelen tener cientos de
capas ocultas.
Hitos Tecnológicos en la Evolución de la IA:
Año 2013 - Los autocodificadores variacionales (VAE) permitieron a los modelos generar múltiples
variaciones de contenido en respuesta a un mensaje.
Año 2014 - Modelos de difusión: añaden "ruido" a las imágenes hasta hacerlas irreconocibles y luego lo
eliminan para generar imágenes originales.
Año 2017 - Los Transformadores: se entrenan con datos secuenciados para generar frases completas.
Son el núcleo de herramientas como ChatGPT, GPT-4 y Copilot.
[MARCA 6.2 - APLICAR LISTA MULTINIVEL]
Jerarquía del Campo Tecnológico:
1. Inteligencia Artificial
1.1. Machine Learning
1.1.1. Deep Learning
1.1.2. Redes Neuronales Profundas
2. Modelos de Lenguaje de Gran Tamaño (LLM)
2.1. IA Generativa
2.2. Modelos Multimodales