00:00:00
vas a aprender las bases de la
00:00:01
Inteligencia artificial De dónde viene
00:00:03
Qué es la tecnología que hay detrás y
00:00:06
todo esto a través de un resumen que he
00:00:08
hecho del curso de 4 horas de Google
00:00:10
para principiantes si no tienes
00:00:12
conocimientos técnicos Pero quieres
00:00:14
saber más acerca de la Inteligencia
00:00:16
artificial Quédate por aquí porque te lo
00:00:18
voy a explicar de forma muy sencilla vas
00:00:20
a aprender conceptos importantes como el
00:00:21
Machine learning Deep learning y a
00:00:24
generativa conceptos con los que
00:00:26
entenderás qu es chat gpt gemini mid
00:00:28
Journey por ejemplo leven labs
00:00:30
herramientas que utilizas o seguro que
00:00:32
has utilizado Prepárate para aprender de
00:00:35
forma Clara y concisa las bases de la
00:00:37
Inteligencia artificial empezamos por lo
00:00:39
más obvio Qué es la Inteligencia
00:00:41
artificial Se podría decir que la
00:00:42
Inteligencia artificial es una
00:00:44
disciplina al igual que la física lo es
00:00:46
en la ciencia la ia tiene como objetivo
00:00:48
construir sistemas inteligentes capaces
00:00:51
de razonar aprender Y actuar de forma
00:00:54
Autónoma dentro de la Inteligencia
00:00:55
artificial hay un campo que es el
00:00:57
Machine learning aprendizaje automático
00:01:00
dentro del Machine learning está el Deep
00:01:01
learning aprendizaje profundo y el Deep
00:01:04
learning se puede dividir en algo que se
00:01:06
llama modelos discriminativos y modelos
00:01:09
generativos Espera espera No te asustes
00:01:11
que lo acabarás entendiendo todo y luego
00:01:13
están los llms los grandes modelos de
00:01:16
lenguaje que también están dentro del
00:01:18
Deep learning y justo en la intersección
00:01:20
están las tecnologías que conoces como
00:01:23
chat gpt Géminis Claude por ejemplo
00:01:25
entonces teniendo esta estructura en la
00:01:27
cabeza vamos a ver cada nivel en
00:01:29
términos generales el Machine learning
00:01:31
es una forma en que los ordenadores
00:01:33
aprendan a hacer cosas sin ser
00:01:35
programados explícitamente para ello Es
00:01:37
como enseñarle a un ordenador a que
00:01:39
pueda resolver problemas por sí mismo
00:01:41
consiste en un programa que usa datos
00:01:42
para entrenar un modelo piensa que los
00:01:44
datos puede ser cualquier tipo de
00:01:46
información una imagen un vídeo un audio
00:01:49
un email un nombre un teléfono luego ese
00:01:52
modelo entrenado puede hacer
00:01:53
predicciones con datos nuevos por
00:01:55
ejemplo imagina que recopilas fotos de
00:01:58
manzanas y naranjas que son los datos y
00:02:00
las etiquetas según Qué fruta es cada
00:02:02
una manzana naranja naranja manzana el
00:02:05
programa usa esos datos para crear el
00:02:07
modelo y que así pueda distinguir entre
00:02:09
las diferentes etiquetas después del
00:02:11
entrenamiento tienes un modelo que es
00:02:13
capaz de hacer predicciones es decir le
00:02:15
puedes pasar fotos nuevas que serían
00:02:17
nuevos datos Y este podría predecir si
00:02:20
la foto que le pasas es una manzana o
00:02:22
una naranja dos de los tipos más comunes
00:02:24
del Machine learning son los modelos
00:02:26
supervisados y los modelos no
00:02:28
supervisados los modelos super visados
00:02:30
usan datos etiquetados es decir datos
00:02:32
que están categorizados un ejemplo
00:02:34
parecido al anterior si le pasas fotos
00:02:36
de animales las etiquetas podrían ser
00:02:39
perro loro gato Elefante o por ejemplo
00:02:42
esta vez los datos en vez de ser fotos
00:02:44
son correos pues las etiquetas podrían
00:02:46
ser por ejemplo spam o no spam imagina
00:02:49
que eres el dueño de un restaurante y
00:02:51
tienes datos históricos sobre el total
00:02:53
de la cuenta final y las propinas que
00:02:55
dejan las personas además tienes todos
00:02:57
esos datos etiquetados según el el tipo
00:03:00
de pedido que es si es un pedido
00:03:02
recogido o un pedido entregado entonces
00:03:04
usamos todos estos datos para entrenar
00:03:06
al modelo y de todos estos datos el
00:03:07
modelo aprende que cuando el pedido es
00:03:09
entregado la propina suele ser más alta
00:03:11
o que cuando el total de la cuenta es
00:03:13
mayor también la propina suele ser más
00:03:15
alta y así una vez entrenado al modelo
00:03:17
puede predecir la propina que dejará una
00:03:19
persona Según el tipo de cuenta que
00:03:21
tenga y de si el pedido es entregado
00:03:23
recogido los modelos sin supervisión no
00:03:26
están etiquetados se trata de descubrir
00:03:28
mirar a los datos que ten tenemos y
00:03:30
encontrar patrones ver si los datos se
00:03:32
pueden agrupar en este ejemplo tenemos
00:03:34
frecuencia de compra y el gasto promedio
00:03:36
se puede ver que el grupo de personas
00:03:38
que está arriba gastan más pero van
00:03:40
menos veces al supermercado el grupo que
00:03:42
está abajo va más al supermercado pero
00:03:44
gasta menos y se ve también que no son
00:03:46
datos etiquetados si fueran etiquetados
00:03:48
habríamos cosas como por ejemplo la edad
00:03:51
el género Qué productos compra ahora
00:03:53
podríamos preguntarle al modelo Cuánto
00:03:55
dinero se va a gastar una persona la
00:03:57
próxima vez que vaya al supermercado si
00:03:59
sale arriba sabes que gastará más y si
00:04:01
sale abajo sabes que gastará menos un
00:04:03
consejo otra diferencia entre los
00:04:05
modelos de supervisión y no supervisión
00:04:07
es que los modelos de supervisión cuando
00:04:09
hacen una predicción lo comparan con sus
00:04:11
datos de entrenamiento y si la
00:04:13
predicción ha salido mal el modelo trata
00:04:15
de aprender de los errores e intenta
00:04:17
reducir este error es como si le pasas
00:04:19
muchas fotos de manzanas y naranjas y
00:04:21
luego le enseñas una imagen de una
00:04:22
manzana y te dice que es una naranja eso
00:04:24
es un error cosa que los modelos de
00:04:26
supervisión no hacen visto esto vamos
00:04:28
con el Deep learning es un tipo de
00:04:30
Machine learning que utiliza algo que se
00:04:32
llama redes neuronales artificiales lo
00:04:35
que permite encontrar patrones mucho más
00:04:37
complejos que con el Machine learning y
00:04:39
además es capaz de trabajar con una gran
00:04:41
cantidad de datos las redes neuronales
00:04:44
artificiales están inspiradas en el
00:04:46
cerebro humano por ejemplo las personas
00:04:48
si quieren aprender lo que es una mesa
00:04:50
lo hacen a través de la observación y la
00:04:52
asociación lo que hacemos Es observar
00:04:54
diferentes mesas vemos que tienen
00:04:56
características comunes por ejemplo que
00:04:58
tienen una superficie plana patas para
00:05:00
sostenerla luego el cerebro agrupa toda
00:05:02
esta información y se forma una idea
00:05:04
general de lo que es una mesa pues las
00:05:06
redes neuronales funcionan de forma
00:05:08
parecida y se ven algo así se componen
00:05:10
de nodos o neuronas interconectados que
00:05:13
pueden aprender tareas procesando datos
00:05:15
o haciendo predicciones está compuesto a
00:05:18
su vez por capas de neuronas que les
00:05:20
permite aprender patrones más complejos
00:05:22
y gracias a esto se puede hacer algo que
00:05:24
se llama aprendizaje semis supervisado
00:05:27
básicamente es entrenar a un modelo con
00:05:29
datos tanto etiquetados como no
00:05:31
etiquetados imagina por ejemplo un banco
00:05:34
que tiene muchas transacciones en este
00:05:36
caso los datos son las transacciones Y
00:05:38
solo el 5% de esas transacciones están
00:05:41
etiquetadas en si son fraudulentas o no
00:05:44
fraudulentas entonces la red neuronal
00:05:46
aprende de este 5% de transacciones que
00:05:48
están etiquetadas aprende a identificar
00:05:51
si una transacción es fraudulenta o no
00:05:53
es fraudulenta y cuando lo aprende ya es
00:05:55
capaz de etiquetar al resto de datos de
00:05:58
transacciones en este caso que no
00:05:59
estaban etiquetados y decir si son
00:06:02
fraudulentos o no fraudulentos otro
00:06:04
ejemplo para que te quede claro imagina
00:06:06
que quieres entrenar a una red neuronal
00:06:08
para que aprenda a identificar si un
00:06:10
correo es spam o no es spam le das al
00:06:12
modelo miles de correos pero solo unos
00:06:15
pocos están etiquetados en spam y no
00:06:18
spam el modelo aprende de estos correos
00:06:20
que están etiquetados aprende Qué
00:06:22
características les hacen que sean spam
00:06:24
o que no sean spam y luego aplica todo
00:06:27
ese conocimiento que sabe al resto de
00:06:29
correo para etiquetarlos Y predecir si
00:06:31
son spam o no son spam y de esta forma
00:06:34
tienes una red neuronal que va
00:06:36
etiquetando datos por sí sola Por así
00:06:38
decirlo Y esto es útil cuando tienes una
00:06:40
gran cantidad de datos Porque etiquetar
00:06:42
todos los datos sería muy costoso y
00:06:44
tardarías mucho tiempo muchos de los
00:06:46
servicios que utilizas actualmente
00:06:48
utilizan redes neuronales por ejemplo
00:06:50
YouTube Spotify Netflix aprenden del
00:06:53
contenido que se le sube a las
00:06:54
plataformas los vídeos la música las
00:06:57
películas aprende también de tus gustos
00:06:59
y con eso hace predicciones de lo que te
00:07:01
podría gustar qué es lo que sueles ver
00:07:03
en recomendados Pero espera que aú y más
00:07:05
el Deep learning se divide a su vez en
00:07:07
dos tipos el discriminativo y la ía
00:07:10
generativa los modelos discriminativos
00:07:12
aprenden de los datos etiquetados y
00:07:14
pueden clasificar estos datos pues por
00:07:16
ejemplo como hemos visto hasta ahora en
00:07:18
clasificar si un email es spam o no es
00:07:20
spam o le pasas fotos de perros y gatos
00:07:23
y tendría que saber predecir si la
00:07:25
siguiente foto que le pasas de un perro
00:07:27
es de un perro y no de un gato y ahora
00:07:29
es donde entra la ía generativa Este
00:07:32
término seguro que te suena más la ía
00:07:34
generativa no clasifica datos sino que
00:07:36
genera datos similares a partir de los
00:07:39
que ya tiene volviendo al ejemplo de las
00:07:41
fotos de los perros y los gatos las
00:07:43
fotos ahora no están etiquetadas por lo
00:07:45
que el modelo Busca ahora patrones en
00:07:47
las imágenes los perros tienen dos patas
00:07:50
las orejas hacia abajo entonces cuando
00:07:52
alguien escribe Dame una imagen de un
00:07:54
perro el modelo te da un perro nuevo
00:07:56
basado en los patrones que ya he
00:07:58
aprendido previamente hay una forma muy
00:08:00
sencilla de saber si algo es sía
00:08:01
generativa o no No es generativo cuando
00:08:04
la respuesta es un número una
00:08:05
clasificación o cuando es una
00:08:07
probabilidad es generativo cuando la
00:08:09
respuesta es en lenguaje natural en
00:08:11
imagen o en audio los diferentes modelos
00:08:13
generativos son y te van a sonar texto a
00:08:16
texto como chat gpt de texto a imagen
00:08:18
como m Journey de texto a vídeo como
00:08:20
pical ABS o runway de texto a tarea para
00:08:23
que hagan una tarea específica por
00:08:25
ejemplo ahora en la ía de Google si
00:08:26
pones @youtube puedes preguntarle
00:08:29
cualquier cosa sobre un vídeo de YouTube
00:08:31
se ha avanzado mucho desde la
00:08:32
programación tradicional hasta las redes
00:08:34
neuronales y los modelos generativos en
00:08:36
la programación más tradicional se tiene
00:08:39
que codificar las reglas para distinguir
00:08:41
por ejemplo que es un gato a la red
00:08:43
neuronal le pasamos una imagen de un
00:08:44
gato y cuando le preguntamos si es un
00:08:46
gato o no debería de saber decirte que
00:08:49
es un gato y con la ia generativa
00:08:51
podemos generar nuestros propios datos
00:08:53
imagenes
00:08:55
[Música]
00:08:57
audio vídeo
00:09:08
texto y por último quedan los modelos
00:09:11
grandes de lenguaje no olvidemos que
00:09:13
estos modelos son parte del Deep
00:09:14
learning Y aunque hay una parte que se
00:09:16
junta con la a generativa no es lo mismo
00:09:19
un modelo llm para que lo entiendas es
00:09:21
un modelo de lenguaje de Gran escala
00:09:23
diseñado para comprender generar y
00:09:26
responder el texto en un lenguaje
00:09:28
natural de humano estos modelos se usan
00:09:30
principalmente para resumir texto
00:09:32
Traducir texto para chatbots y
00:09:35
generación de contenido de texto correos
00:09:38
artículos los modelos como chat gpt son
00:09:41
entrenados con una gran cantidad de
00:09:42
datos y aprenden patrones en el lenguaje
00:09:45
con esos datos por lo tanto cuando le
00:09:47
escribes algo es capaz de predecir lo
00:09:49
siguiente por ejemplo imagina que chat
00:09:51
gpt ha sido entrenado con un montón de
00:09:53
datos en los que en la gran mayoría se
00:09:55
dice que el cielo es azul Chaz gpt
00:09:58
aprende que el cielo es azul Y si tú le
00:10:00
escribes el color del cielo es te va a
00:10:02
responder que generalmente es azul chat
00:10:04
gpt es un modelo de predicción y por lo
00:10:07
tanto no tiene consciencia y no va a
00:10:09
acabar con el mundo de momento modelos
00:10:11
del lm los que ya te conoces chat gpt
00:10:14
Claude gemini además a estos modelos
00:10:16
también les puedes hacer fine tuning
00:10:18
tunear losos como un coche esto quiere
00:10:21
decir que puedes a un llm y
00:10:23
entrenarlo para que sea experto en un
00:10:25
tema por ejemplo con leyes Se entrena el
00:10:27
modelo con datos específicos de de leyes
00:10:29
casos judiciales legislación para que
00:10:32
sea experto en este área medicina por
00:10:35
ejemplo Se entrena el modelo con datos
00:10:37
médicos artículos médicos informes
00:10:39
clínicos estudios para que sea un modelo
00:10:42
experto en medicina Y así pueda ayudar a
00:10:44
los médicos las empresas grandes gastan
00:10:47
millones en hacer llms que luego venden
00:10:49
a otras empresas como marcas de ropa
00:10:51
hospitales bancos que no tienen la
00:10:54
capacidad para hacer un llm pero sí que
00:10:57
tienen los datos para hacerles fine
00:10:58
tuning ya hasta aquí el vídeo de hoy
00:11:00
Espero que te haya gustado hayas
00:11:02
aprendido un montón de cosas esto es la
00:11:05
base de la Inteligencia artificial
00:11:06
Aunque solo es el 1% la Inteligencia
00:11:09
artificial es una disciplina es un mundo
00:11:11
muy grande por descubrir y desde luego
00:11:13
que si esto te ha gustado Y tienes ahora
00:11:15
más curiosidad y quieres aprender más te
00:11:17
dejo el curso gratuito de Google en la
00:11:19
descripción del vídeo nos vemos en el
00:11:21
siguiente con más y mejor hasta la
00:11:28
próxima y
