Autor: Enrique Rubio (Página 7 de 142)

CHAT GPT

Una de las funcionalidades más esperadas de chat gpt ya está aquí como sabéis tras el chatbot de Open Ai existe un enorme cerebro muy inteligente llamado gpt 4 cuyo anuncio en marzo sorprendió a todos no solamente por su mejora en inteligencia sino también por sus capacidades multimodales la multimodalidad entendida como la capacidad de una Inteligencia artificial de no trabajar solo con un único tipo de datos Pues que chat gpt no se limite solo a trabajar con texto es algo que Open nos ofreció cuando nos presentó ejemplos como estos this and so we can actually Take Now this output literally we Just said top the html ejemplos donde se veía que gpt podía tomar como input imágenes imágenes que podía visualizar comprender analizar y a través de sus capacidades de generación de texto razonar y resolver tareas inteligentes una pasada y esto sucedió en marzo pero no fue hasta hace unas pocas semanas que Open Ai dio el paso de empezar a habilitar esta funcionalidad a muchos de los usuarios de chat gpt Plus a día de hoy muchos de vosotros podréis ver que si acudís a la versión normal de gpt 4 pues se os va a activar esta nueva funcionalidad de aquí donde podéis incluir imágenes como parte de vuestro prompto puedo colocar una imagen como esta y pedirle a chat gpt pues que me haga una descripción detallada de todos los elementos que hay en ella y que luego me escriba un poema le damos a enviar Y en cuestión de segundos se obra la magia la imagen muestra un hombre de pie con una expresión facial Serena tiene una barba bien cuidada y una cabeza calva Gracias sus ojos transmiten confianza está vistiendo una camisa de color verde claro con mangas largas que tiene dobladas hasta los codos la camisa está abotonada y tiene un diseño sencillo sus brazos están cruzados sobre su pecho el fondo de un tono azul grisáceo lo que resalta la figura del hombre una descripción perfecta sobre todo lo de la barba bien cuidada Y esto no deja de ser chat gpt una ía cuyo punto fuerte es trabajar a través del lenguaje y resolver tareas inteligentes donde Ahora nos puede escribir un poema como este en el Lienzo de azul tenue un hombre sereno se muestra con barba y mirada que encanta y en verde su figura destaca sus brazos cruzados al pecho una señal de fortaleza de calma en el silencio de ese retrato su presencia el espacio en balsama impresionante esto abre la puerta a un montón de posibilidades a mi gusto el modelo de visión de gpt 4 lo que se conoce como gpt 4v es todo un cambio de paradigma en el mundo de laisión por computador Y al igual que sucedió con la llegada de chat gpt esto abre un abanico de posibilidades enormes que posiblemente a día de hoy ni siquiera llegamos a comprender y es por eso que hacemos este vídeo hoy Y es que Microsoft que ha tenido obviamente acceso anticipado a este modelo ya nos ha hecho el trabajo de documentación con este paper de aquí un documento titulado El Amanecer de los lmms ojo lmm no llm sé que suena trabalenguas pero tenemos que entender que large Language model llm responde a los modelos que hemos visto hasta la fecha con gpt3 con gpt 4 con Palm 2 todos estos modelos del lenguaje aquí estamos hablando ahora de lmm large multimodal models donde tal y como vimos en este vídeo sobre el futuro de la Inteligencia artificial no estamos tan lejos de un futuro donde Bueno pues estos enormes cerebros digitales sean capaces de procesar analizar y razonar con múltiples tipos de datos con imágenes texto audio 3D todo al mismo tiempo y en este trabajo Microsoft se enfoca en esto en el estudio de estos enormes modelos los multimodales en el caso de este paper Pues en el gpt 4v que es un modelo multimodal de texto e imágenes y nos trae un montón de ejemplos super interesantes de múltiples funcionalidades que podemos extraer de esta nueva Inteligencia artificial repito muchos ejemplos un artículo de 166 páginas que me he leído de arriba a abajo que he analizado que he resumido y que hoy os traigo en este análisis sobre gpt 4 Vision model al tratarse de un modelo multimodal ahora puedes trabajar con gpt 4 pues tanto por la vertiente del texto como por la de las imágenes ahora texto e imágenes se juntan en una misma Inteligencia artificial Pues yo por ejemplo aquí le he subido dos imágenes y le he preguntado Qué relación guardan entre ellas y aquí gpt 4 pues está haciendo esta labor de analizar cada una de las imágenes independientemente y luego entender el texto para resolver la tarea que le estoy planteando las dos imágenes muestran a la misma persona bla bla bla tal y como demuestra Microsoft pues esto lo podríamos utilizar Para pasarle varias imágenes de tickets de comida que tú hayas registrado y preguntarle Oye cuánto pagué de impuestos Dónde está la información y que gpt 4 te pueda responder diciendo mira en el primer recibo pagaste 3,72 en impuestos y la información se encuentra en la parte inferior del recibo en el segundo recibo 42,23 en el tercero 4,58 y en total pagaste 50,53 en impuestos en los tres recibos que te pueda estas tres imágenes que las estructure que las analice y que te pueda agregar toda la información razona con el lenguaje natural es una auténtica pasada otro uso interesante de poder pasarle múltiples imágenes es el poder plantearle tareas más complejas donde el contexto esté repartido en estas imágenes no pues vemos cuánto debo pagar por la cerveza en la mesa según el precio en el menú Entonces le pasamos una imagen de nuestra mesa le pasamos una imagen de nuestro menú y aquí gpt 4 nos responde Mira según el menú el precio de una cerveza Magna es de $ dado que hay dos cervezas en la mesa Pues el coste total de la cerveza sería $2 de nuevo la información fluyendo a partir de las dos

imágenes que le hemos dado realmente gbt 4 entiende mucha de la información visual que le estamos presentando Y esto es algo interesante que en el paper se demuestra Y es que podemos hacer anotaciones dentro de nuestras imágenes que sirvan como guía como orientación para que gpt 4 sepa exactamente dónde está la información que le estamos pidiendo Esto es algo que Open Ai demostró en este ejemplo de aquí donde tras tomar una foto con la cámara luego podía ser un garabato para marcar exactamente En qué región de la imagen se tenía que focalizar la Inteligencia artificial aquí gpt 4 con su capacidad de visión pues puede entender este tipo de información este tipo de marcas como parte del prompt que le puede guiar hacia la resolución de la tarea que le estamos planteando yo puedo la imagen de antes y hacer pues una marca como esta con cualquier software de edición que tengamos y ponerle una flechita y una interrogación subirla a chat gpt y preguntarle pues qué prenda de ropa estoy señalando y que chat gpt nos entienda que est estamos señalando a una camisa una funcionalidad que tenéis de forma nativa disponible por ahora en la aplicación móvil en la parte web Pues tienes que subir tú las imágenes garabateadas directamente desde tu ordenador pero bastante útil porque tú puedes una captura de una tabla de datos hacer una selección de una columna rápidamente con el Paint y preguntarle a chat gpt Oye describe la imagen y que gpt 4 te responda Pues que la región resaltada en rojo en la imagen es una celda de tabla que contiene un valor numérico de 122,3 esta se encuentra la sección tet de la tabla bajo la columna out y la fila git 2 Entonces qué podéis hacer con gpt 4v Pues un montón de cosas tenéis que pensar que tenéis en vuestras manos a los ojos más potentes jamás vistos en la historia de la visión por computador en el campo de la Inteligencia artificial pues por ejemplo estáis viajando y de repente os ponen delante de vosotros un plato de comida que se ve espectacular pero que no tenéis ni idea de lo que es cogéis el móvil sacáis a chat gpt le sacáis una foto y él te describe que el El plato en la imagen es un tazón de mapo tofu un popular plato chino de la provincia de Sichuan consiste cubos de tofu suave en una salsa rica y picante hecha con pimientos rojos pastas de frijoles granos de pimienta bla bla bla Oye describe el nombre del plato pues este plato se llama costilla corta estofada con chimichurri Presenta una jugosa costilla corta cocida fuego lento hasta que quede tierna cubierta con una sabrosa salsa chimichurri y además te añade que se sirve junto a verduras asadas para una comida completa claro lo interesante de esto es que demuestra que chat gpt puede tener una comprensión Perfecta de lo que es el contenido de la imagen pero luego tenemos que recordar que esto está conectado a chat gpt a la parte lingüística cuyas funcionalidades Pues también son infinitas tú podrías sacar la foto de la comida y preguntarle Pues que te haga un detallado de todos los ingredientes necesarios para cocinarla luego podría sacar una foto de tu nevera y decirle Oye qué ingredientes me falta lí me lo que necesito comprar luego ir al supermercado y sacar una foto a la estantería de todas las salsas y que él te diga Mira sí la salsa que estás buscando está en este este punto y con esto os tenéis que dar cuenta de que lo que tenemos entre manos es muy potente otra cosa que hemos visto antes que parece que este módulo de visión pueda ser sin problemas es detectar el texto en imágenes lo que antes requería de utilizar potentes algoritmos de OCR Ahora parece que gpt 4 lo puede hacer in the Wild entendido este in the Wild en lo salvaje como que puede sacar una foto sin preocuparte que esté muy bien centrada o que el texto tenga una fuente legible sino que al igual que nuestros ojos pueden entender que en esta imagen de aquí pues hay un cartel con cierta información pues gpt 4 te puede decir sí hay tres textos en la imagen pruebas de covid-19 por favor tenga su identificación y tarjeta de seguro listas y luego toda la información o aquí si tenemos un cartel que está escrito con tisa Pues con diferentes Fuentes tampoco gpt 4 tiene problema a la hora de extraer que bueno tenemos la palabra vacaciones playa sonrisa verano sandía chanclas limonada esto es tan impresionante que en mi viaje a México de hace un par de semanas tuve la oportunidad de probar justamente esto en un cartel que estaba escrito en maya una lengua que obviamente estará subrepresentado respecto a otros idiomas más mayoritarios como el inglés o el español dentro del dataset de entrenamiento y que sin embargo gpt 4 no tuvo ningún problema en Traducir y hacerme una explicación perfecta que los guías que me acompañaban en la visita pues lo vieron y me dijeron madre mía es que está muy bien pero la comprensión de elementos en una imagen pues no se queda solamente en texto sino que también el modelo es capaz de entender símbolos reconocibles como Pues que en esta imagen hay dos vasos del starbuck coffee o que aquí hay unas zapatillas representad con el logo de Nike o incluso que en esta fotografía pues está el logo de Windows copilot elementos símbolos que nosotros si somos capaces de percibir y de entender a qué marca pertenecen y que en este caso el modelo con su cultura general de todo lo que ha visto a través de internet pues también lo puede entender y de la misma forma como es obvio pues gpt 4v tiene cultura general como para entender que en estas imágenes de aquí lo que se está mostrando es un collage de ocho personalidades destacadas de diferentes Campos nos dice en la fila Superior de izquierda a derecha se encuentra el cantante Justin Bieber el futbolista Lionel Messi el futbolista Cristiano Ronaldo el empresario elon Mask Kylie Jenner Taylor Swift Robert Downey Junior Scarlett johanson todas estas celebridades Pues están contenidas en la cultura general de gbt 4 y lo mismo sucedería con lugares reconocibles pues por ejemplo le puedes pasar una imagen de Time Square y que te haga una descripción s super detallada donde te diga que que en la imagen se ve la Estatua de George m cohan en Time Square en Nueva York que es una estatua de bronce que se encuentra sobre un pedestal de granito bla bla bla y esto a mí me Mola muchísimo porque me imagino en un futuro próximo Pues el poder estar viajando por algún lugar sacar una foto con mi móvil o con alguna gafa de realidad aumentada y poder preguntarle a mi Inteligencia artificial Oye Explícame algo curioso de dónde estoy Y de lo que estoy viendo Estos son capacidades que gpt 4v tiene pero que como veremos más adelante puede que chat gpt no Y esto es importante también entre las capacidades de gpt 4 que el paper de Microsoft nos enseña Pues hay algunas cosillas interesantes como que el modelo no solo es capaz de percibir Qué hay en una imagen sino que también te puede decir Qué elementos no hay no tú le puedes pasar esta imagen y preguntarle puede ver las plumas azules brillantes en el ala del pájaro y que él te responda no puedo ver plumas azules brillantes en el ala del Pájaro parece tener plumas marrones y blancas Parece ser también que el modelo es capaz de realizar tareas como contar Aunque luego hablaremos un poquito sobre esto y también hacer localización de objetos no solamente decirte si en esta imagen está presente esto sino que también puede encontrar la posición en la que está ubicada dicho elemento Un ejemplo muy chulo de esto es el que vemos aquí donde se le pide al modelo que siga las siguientes instrucciones primero que le diga el tamaño de la imagen pasada como input luego Localizar a cada persona usando una bounding Box reconocer Quién es cada una de las personas con la cultura general del modelo y finalmente generar una descripción detallada de cada bounding Box entonces vemos que aquí el modelo genera una respuesta pues para cada uno de los pasos que le hemos pedido donde la única equivocación que tiene es respecto a la inferencia de Cuál es la resolución de la imagen de cuánto es el ancho y el alto algo que ciertamente un humano también si le tuvieras que pedir que te haga a Ojo Cuánto mide en píxeles cada una de las dimensiones de la imagen Pues yo creo que también se equivocaría vemos que hace eso luego eh genera la información de la bounding Box según lo que está percibiendo describe a cada una de las personas pues Quiénes son y con esto pues obtenemos una imagen final que si la visualizamos vemos que más o menos la detección de las personas la desp opciones son correctas y esto para mí Cuenta algo muy importante y Es que creo que estamos viviendo un punto similar a lo que se vivió en 2021 con la salida de gpt3 cuando vimos que de repente un único modelo pues era capaz de hacer múltiples tareas que antes pues teníamos modelos específicos para cada una de ellas desde mi punto de vista lo que viene a demostrar gpt 4v es que ahora en el campo de la visión por computador se está viviendo un fenómeno igual un modelo que te hace ocr que te hace Counting que te hace hace localización de objetos que te reconoce la escena que te la describe con este nivel de precisión es algo que nunca se había visto en el mundo de la visión por computador y tendrá consecuencias fascinantes aún así el modelo no es perfecto todavía tiene algunas limitaciones Pues aquí por ejemplo en esta tarea de intentar estructurar la información que aparece en este carnet de conducir podemos ver como el modelo en algunos casos eh alucina detalles que no hay pues 1977 lo entiende Como 2011 o en otros casos pues no entiende Cómo la información está distribuida y etiqueta eh el atributo donor con la etiqueta que tiene al lado que es veterano o también se ha comprobado que el modelo Tiene imprecisiones con ciertas tareas que implican Buscar diferencias entre múltiples imágenes Pues en este caso de aquí se le pregunta cuáles son las tres diferencias de esta imagen y el modelo alucina detalles como que en el suelo Hay un montón de hojas de bambú o que una de las diferencias es que en una

imagen solo hay un tallo de bambú y en la otra Hay varios lo cual no es cierto y también habrá situaciones donde vosotros cuando empecéis a probar la herramienta os vais a encontrar con tareas que la Inteligencia artificial no va a ser capaz de resolver o que va a resolver mal pero aquí viene lo interesante y es que tal cual explican en este artículo y como sucedía con inteligencias artificiales anteriores con gpt3 y con chat gpt Pues hay formas hay trucos de poder exprimir al máximo el rendimiento que podemos sacar de estos modelos recordáis que antes os he comentado que el poder usar varias imágenes nos iba a ayudar más adelante a la hora de sacarle más rendimiento al modelo Pues fijaos en este ejemplo aquí se le pregunta a gpt 4v cuál es la lectura de el medidor de velocidad y aquí gpt 4v responde de forma incorrecta que la velocidad es de 22 millas por h lo cual es incorrecto porque tal cual se ve aquí la aguja apunta a 10 entonces aquí los investigadores de Microsoft que han hecho el curso de prompt engineer pues se saben el truquito de usar la coletilla think Step by Step una forma de inducir al modelo a que su respuesta sea más detallada y que incluya más información que en este proceso autor recurrente donde se basa para seguir prediciendo en lo que ha predicho anteriormente pues le puede ayudar para llegar a una respuesta más correcta que en este caso Es aproximadamente 30 millas por hora lo cual de nuevo vuelve a estar mal la siguiente estrategia que ejecuta es la de describirle con instrucciones Cómo debería el modelo de resolver la tarea se le pregunta al modelo Oye cuál es la lectura del medidor de velocidad y luego se le añade una descripción contexto de cómo tendría que resolver la tarea Pues mira para leer el medidor de velocidad tienes que observar la aguja que está en el dial y bla bla bla vale se le da paso por paso cómo tiene que resolverla y aún así el modelo caprichoso él se inventa que la velocidad Es aproximadamente de 40 millas por hora de nuevo mal entonces está perdida la batalla pues no tenemos una estrategia más y en el paper nos demuestran como utilizando esta capacidad de poder subir varias imágenes en el modelo podemos hacer lo que se conoce como F Shot learning el darle al modelo en el promt varios ejemplos de otras imágenes similares de cómo se suelto esta tarea pues podéis ver aquí como le pasamos una imagen del medidor de velocidad y Se le indica que el puntero amarillo pues está en este punto aquí le pasamos otra imagen y le decimos que está a 30 mill por hora y luego le pasamos la imagen que antes era incapaz de resolver Y fijaos como en este caso Ahora sí gpt 4v consigue hacerlo a la perfección otro ejemplo contando elementos en una imagen que hemos visto antes que es algo que a gpt 4 se le puede atragantar Oye cuántas manzanas hay en esta imagen hay 12 error vale vamos a pensar paso a paso cuántas manzanas hay en esta imagen y responde Bueno veo las imágenes identifico empiezo a contarlas una por una no me salto ninguna manzana hay 12 no mal vamos a contar manzanas gpt 4 pero vamos a contarlas fila por fila vale humano voy Primera fila cuatro manzanas bien segunda fila tres manzanas mal tercera fila cuatro manzanas mal el número total 11 manzanas está bien pero haz contado mal por favor céntrate gpt 4 cuenta las manzanas en la imagen primero cuenta las filas luego cuenta las manzanas en cada fila y luego súmalo todo venga vale Sí cinco manzanas cuatro seis mal y aquí llega la solución Este es otro prompt que tenemos que apuntar y es el momento en el que le decimos al modelo Oye gbt 4 es que eres un experto contando cosas en una imagen y como eres un experto vamos a contar el número de manzanas que hay en la imagen de abajo y aquí pt4 te dice Ah vale que soy un experto en contar perfecto la primera fila cuatro la segunda cuatro la tercera tres en total 11 manzanas hay truquitos en los prompts que por ahora hay que ir aprendiendo aplicado a diferentes tareas profesionales pues podemos ver como gpt 4 consigue resolver problemas de índole científica o le puedes pasar este diagrama y preguntarle cuál de los organismos es el productor en esta red alimentaria y que gpt 4 entienda Cuál es la relación de cada flecha y con que conecta para responderte que los productores en esta red alimentaria pues son las vallas y las flores que tenemos aquí abajo podríamos imaginarnos a gpt 4

aplicado a diferentes verticales profesionales pues por ejemplo una aseguradora que quisiera ser un parte de desperfecto de un vehículo que ha sufrido un accidente y quisiéramos estructurar los daños que se ven en una imagen Pues tú le puedes plantear Oye para esta imagen imagina que eres un experto en evaluar los daños y quiero que me pongas todos los detalles siguiendo la siguiente estructura en un Jason y que el modelo te pueda hacer una descripción como la que vemos aquí abajo donde te extrae la marca el modelo la placa o te hace una descripción del daño como que el parachoque delantero cap y parabrisas están dañados o por ejemplo en programación quiero que veáis este ejemplo de aquí que es bastante impresionante fijaos aquí se ha utilizado a gpt 4v Para pasarle un diagrama de flujo de cómo tiene que ser la interacción de un usuario dentro de un formulario y se le ha pedido que implemente todo este código además el diagrama presenta ciertas complejidades  pues por ejemplo unas flechas que revierten la decisión de que primero aparezca la página de email y luego la de nombre y podemos ver como gpt 4 esto no entiende la perfección colocando and en el formulario primero en la captura del nombre y fijaos muy interesante aquí hace referencia al nombre del usuario y esto es porque el propio diseñador ha escrito en la pizarra Oye deberá de mencionarse Cuál es el nombre del usuario que ha indicado en el primer paso luego llegamos aquí a este punto donde hay una bifurcación del flujo donde si eres mayor de edad Pues tienes que ir a una página y si eres menor de edad Pues tienes que ir a esta otra donde además el usuario para ser más complejo el proceso pues ha tachado su primera decisión y ha colocado que no que tiene que ir a la página para niños y vemos de nuevo como gpt 4 pues esto lo entiende y efectivamente implementa esta página todo este código todo este flujo todo este formulario implementado a partir de una única imagen pasada a gpt 4v y podemos imaginarnos como mucha de esta tecnología en un futuro cercano pues acabará impactando en muchos aspectos de nuestra sociedad Como por ejemplo la medicina en este artículo han demostrado como el conocimiento general de medicina que tiene el modelo chat gpt es suficiente para poder hacer una descripción de detallada sobre lo que está presente en ciertas imágenes médicas se le pregunta a gpt 4 Mira la tomografía computarizada del pulmón en la imagen de abajo y dime que está mal y gpt 4 responde parece haber múltiples áreas de consolidación y opacidades en vidrio esmerilado en ambos pulmones lo que podría indicar una infección pulmonar o inflamación y bla bla bla esto es impresionante y es muy prometedor pero también hay que cogerlo con mucho cuidado y con mucha responsabilidad en el propio artículo Microsoft deest estra como para otras imágenes médicas pues gpt 4v se equivoca y hace diagnósticos errados lo cual en este contexto concreto pues puede tener un perjuicio muy grande tenemos que entender que esta es una tecnología todavía prematura y cada uno de vosotros en los casos de uso donde queráis aplicarlo Pues tendréis que hacer una evaluación De qué tan certero es el modelo y qué tan preciso es Y si realmente cumple con los requisitos de seguridad que en cada caso pues se tenga que aplicar aún así hay algo que tenéis que saber y es algo que os encontraréis cuando empecéis a probar la herramienta y que creo que alguno de vosotros no os va a gustar y es que aquí hemos estado hablando de gpt 4v y de chat gpt pero son herramientas diferentes es decir gpt 4v no deja de ser el gran cerebro artificial que ha aprendido a percibir imágenes a poder hablar el modelo que hemos ido comentando a lo largo de este vídeo pues cuáles son sus capacidades pero luego cuando esto llega a chat gpt pues Open Ai hace este proceso de introducir salvaguardas de introducir límites en lo que el modelo puede hacer para evitar comportamientos que sean perjudiciales cuando esta herramienta se extiende y se abre a todo el público esto es similar a lo que hemos visto con los modelos de lenguaje en el pasado gpt 4 si quisiera te podría explicar cómo se construye una bomba pero cuando le preguntas a chat gpt él amablemente te responde que no te lo puede decir por motivos de seguridad pues esto es algo que os vais a encontrar a menudo utilizando a chat gpt yo le puedo subir una imagen y preguntarle Quién es la persona de esta imagen y la respuesta normal de chat GP p será esta Sorry I cannot help with that donde nos dice que no nos pueden ayudar con esto que el modelo no pueda hacer esa tarea que le hemos planteado que en este caso es preguntarle Quién es la persona que hay aquí y claro esto es un problema porque aquí estamos limitando las capacidades de lo que la Inteligencia artificial verdaderamente pueda ser pero creo que es importante que de verdad entendamos que esto tiene sentido que lo hagan es decir cosas que chat gpt no te va a permitir hacer es poder pasarle una imagen y preguntarle Dónde está localizado ese lugar Pues porque eso presenta problemas de privacidad lo mismo pasará cuando le preguntes por la identidad de una persona que aparece en una imagen o seguramente si le pasas una imagen médica pues te vaya a soltar la coletilla de que no es adecuado que un modelo de lenguaje te haga un diagnóstico médico y bla bla bla sabemos que Open Ai tiene un historial de ser muy restrictivo respecto a este tipo de malos usos que ellos consideran malos usos y sabemos que poco a poco van afinando la maquinaria para que hoy los límites que tiene que a lo mejor son bastante agresivos Pues en un futuro se vayan reduciendo se vayan suavizando y nos permitan hacer un uso más normal de la herramienta aún así Este es un desafío muy grande para Open Ai Y es que con las nuevas capacidades de su Inteligencia artificial también llegan nuevas formas de ataque como esta de aquí donde en una imagen de una nota se le puede instruir al modelo que no le diga al usuario final Cuál es el contenido realmente de la imagen y solamente decirle que es la imagen de un pingüino algo que gpt 4 o es a rajatabla una forma muy rudimentaria pero efectiva de ataque adversario aún así esto no deja de ser una protección que queda invalidada cuando la comunidad Open source avanza Y es que en las últimas semanas hemos visto como la comunidad Open source ha dado un paso firme en la publicación de su modelo Java un modelo de características similares a gpt 4v al ser un modelo multimodal que puede analizar imágenes y darte descripciones de texto y resolver tareas con ellas pero que en este caso al ser Open source pues no tiene ningún tipo de filtro ni control Y seguramente será cuestión de semanas que veamos a gpt 4v accesible a través de la Api para que también vosotros podáis construir vuestros proyectos con lo último de lo último de la Inteligencia artificial si te ha gustado el vídeo si te ha gustado este análisis compártelo compártelo en redes sociales compártelo con tus compañeros Y cuéntame abajo en comentarios Para qué vas a usar a esta tecnología o en qué proyectos lo quieres integrar estaré echándole un vistazo sabéis que podéis apoyar a este canal a través de patreon tenéis el enlace en la caja de descripción y os voy a pedir un favor Y es que si sois de esas personas que disfrutéis de este canal sin estar suscrito pues suscríbete dle al botón que quiero llegar ya al hito a la meta del millón de Seguidores estamos en 800 y pico 1000 y sé que hay muchos que como el algoritmo de YouTube pues funciona bien y recomienda mi contenido sin estar suscrito si es que te interesa pues que no estáis suscritos entonces Esta es nuestra misión Además así no te perderás contenidos como el que os traeré esta semana donde vamos a estar haciendo justamente un directo para probar todo esto que hemos visto hoy para ver si los casos de usos que Microsoft nos presenta de gpt 4v realmente son aplicables a chat gpt para probar donde funciona bien y donde no funciona también vamos a estar en directo Así que estad atento a todo lo que publicamos echadle un vistazo a estos contenidos que tenemos por aquí super interesantes el vídeo sobre el futuro del 3D con gaus and splatting que os ha G mucho y chicos chicas nos vemos con más Inteligencia artificial en el próximo vídeo

Ver precio

COMO FUNCIONAN LAS REDES NEURONALES.

Algunas vez te has preguntado cómo es que las redes neuronales representadas regularmente con simples círculos y líneas conectadas pueden aprender cosas en este vídeo te dará una explicación intuitiva y lógica de por qué las redes neuronales pueden generar aprendizaje y mostrar lo que llamaríamos inteligencia artificial no necesitas tener conocimiento previo para seguir este vídeo he visto vídeos en dónde infieren que ya conoces cómo y por qué una estructura de este tipo puede aprender cosas de igual manera muchos vídeos en donde se meten demasiado en los modelos matemáticos y si bien el uso avanzado de redes neuronales requiere de muchas matemáticas hoy buscamos responder de manera simple porque unas bolitas y palitos conectados pueden generar aprendizaje para comenzar necesitamos conocer a nuestro protagonista del día de hoy y que mejor que presenciar conocimiento esto que ves es una célula madre del cuerpo humano no por padres no te lo puedes perder ahí está el momento exacto en el que una célula madre humana se transforma y nace una nueva neurona cerebral mi cerebro el tuyo y el de todos los humanos tiene decenas de miles de millones de estas neuronas interconectadas entre sí gracias a esas neuronas interconectadas podemos ver entender sentir crear imaginar y tomar decisiones esas neuronas cerebrales de manera general funcionan de la siguiente manera cada neurona recibe estímulos eléctricos de otras neuronas la neurona procesa esos estímulos y en ciertos casos se activa y dispara para estimular a su vez a otras neuronas a las que está conectada esas otras neuronas reciben ese estímulo lo procesan y en ciertos casos también se activan y disparan estímulos a otras neuronas etcétera etcétera etcétera y así continúen una gran red neuronal imagina que quieres aprender algo nuevo ya sea a tocar guitarra a hablar un nuevo idioma o malabarear con tres pelotas palabra requiere que la parte visual motriz y de coordinación aprendan a trabajar juntos si no tienes la habilidad desarrollada las neuronas que trabajan para poder malabarear no están acostumbradas a trabajar juntas aparte soy algo torpe entre más práctica es una habilidad las conexiones necesarias entre las neuronas comienzan a mejorar a hacerse más robustas se van acostumbrando que cuando una se activa y dispara las otras probablemente deben también activarse esto es el proceso de aprendizaje estamos hablando de un proceso biológico real que sucede en tu cerebro y esto toma tiempo pero con práctica y práctica las neuronas no sólo van reforzando sus conexiones sino que hacen atajos cuando se dispara una casi sin procesar el resto se dispara el en automático esto es parte de lo que llamamos memoria muscular cuando podemos hacer algo casi sin pensarlo tocar guitarra hablar otro idioma malabarear cuando éstas apenas aprendiendo requieren tu total atención pero después podrás hacerlas prácticamente sin pensarlo hace casi 70 años se comenzó a intentar emular este proceso de manera artificial primero con circuitos eléctricos y después con estructuras computacionales cómo podemos simular un proceso tan simple y a la vez tan complejo una de las primeras investigaciones en este ramo fue la de intentar emular un proceso de toma de decisiones similar a como lo haría un humano intentemos diagramar lo que tú haces cuando tienes que tomar una decisión normalmente antes de decidir algo tomas varias cosas en cuenta lo que ve es lo que conoces tus creencias experiencias anteriores etcétera tomas todo esto y mucho más para evaluar la situación y tomar una decisión claro no siempre la correcta imaginemos que estás pensando en salir de viaje hay tres factores que van a influir en tu decisión primero tienes dinero suficiente segundo tu pareja quiere ir y tercero el lugar tiene clima agradable en base a estos tres factores tomará su decisión intentemos simular esto con un proceso computacional nombremos a estos tres factores x1 y x2 y x 3 cada factor sólo tiene dos opciones sí o no al ser una computadora podemos indicarlo con un 1 para así y 0 para no por ejemplo si tienes dinero suficiente entonces x 1 igual a 1 de lo contrario x 1 igual a 0 si tu pareja quiere ir y si el clima es agradable conectemos estos tres factores a este pequeño círculo este círculo debe tomar los tres factores como entradas y por medio de una operación o función responder a nuestra pregunta digamos que queremos que respondan 1 si la decisión es que si te va a seguir de viaje o 0 si la decisión es que no te vas a ir de viaje que puede hacer este pequeño círculo para tomar esta decisión agreguemos ahora un umbral a nuestro círculo este umbral es un simple número ahora lo que hará el círculo es decir si

la suma de los tres factores de entrada es mayor al umbral entonces la salida del círculo será uno de lo contrario será un cero si establecemos un umbral de uno nuestro pequeño círculo ahora tiene un proceso aunque muy básico de toma de decisiones por ejemplo si tienes dinero suficiente y el lugar tiene clima agradable la suma de los factores es 22 es mayor al umbral de 1 por lo tanto no importa que tu pareja no quiere ir el círculo dará como salida 1 es decir que si te irás de viaje si tu pareja quiere ir y el clima del lugar es agradable también irás no tienes dinero pero bueno ya a ver dónde te endeudas para poder ir esto normalmente esto es lo que hacemos ok para ser honesto lo sumamos no tomamos decisiones de una manera tan simple normalmente diríamos algo como mira no me puedo endeudar más así que si no tengo dinero no voy lo otro pues ya y lo platicamos ok ok estamos dando una mayor importancia al dinero que a los otros dos factores esta importancia no la hemos incluido en nuestro proceso hagámoslo en redes neuronales a esta importancia se le llama peso por ejemplo digamos que el peso del factor del dinero es 2 los otros dos los dejamos en 1 con esto estamos dando el doble de importancia al dinero que a los otros dos factores antes de entrar al círculo los factores se multiplicarán por su peso ahora cambiemos el umbral del círculo para que ahora sea 2 puedes imaginar lo que va a pasar sutilmente la toma de decisiones de nuestro pequeño círculo se ha hecho más interesante si tienes dinero y tu pareja quiere ir te vas a ir de viaje de igual manera si tienes dinero y el clima del lugar es bueno vas a ir [Música] pero si tu pareja quiere ir y el clima del lugar es bueno pero no tienes dinero entonces no irás de igual manera si tienes dinero pero ni tu pareja quiere ir ni el clima es bueno no irás el proceso de decisión ya no es tan simple y es un poco más cercano a la realidad este pequeño círculo es llamado formalmente un perceptor o un perceptor un consta de entradas o factores pesos de los factores el cual se coloca regularmente en las conexiones un valor de umbral y una función de activación la función que usamos en este caso simplemente está revisando si la suma de las entradas es mayor al umbral como podrás imaginar si jugamos con los pesos de los factores de entrada así como el umbral nuestro perceptor estará usando modelos distintos para tomar decisiones imagina que en lugar de tres factores de entrada tiene 10 ahora imagina que cada uno de esos factores es en realidad la salida de otros percepciones que a su vez tomaron otras decisiones previamente imagina que la salida de tu percepción sirve como entrada a otro perceptor etcétera esto que ves es un perceptor multicapa los perceptores multicapa son ahora llamados redes neuronales con un solo perceptor pudimos ver que podemos tomar una decisión interesante si creamos una red de muchos de estos perfectos desconectados crees que podamos tomar decisiones más complejas definitivamente los primeros capas pueden comenzar con decisiones muy básicas como definir qué están viendo tus ojos lo que escuchas con tus oídos etcétera esas capas de los sentidos sirven como entrada a otras capas las cuales según lo que precio vientos sentidos deciden qué hacer quizá perciben lo que parece ser un peligro por lo cual disparan neuronas de un camino especializado para situaciones de peligro que sirven para tomar decisiones como huir y eso dispara neuronas relacionadas al movimiento de estos músculos etcétera si hacemos esto con una red neuronal artificial que debe entender una imagen las primeras capas pueden centrarse en cosas básicas como los ejes y líneas de la imagen las siguientes pueden tomar esa entrada y centrarse en un millones entre los ejes para formar figuras simples los siguientes pueden unir figuras simples para definir si lo que están viendo parece ser un número y decidir cuál es el más probable que sea suena muy perfecto desgraciadamente cuando esto se desarrolló originalmente presentó dos grandes problemas el perceptor un simple que hicimos tiene cuatro parámetros o variables los tres pesos de las conexiones y el umbral de la neurona son números que podemos nosotros ajustar manualmente para hacer que el perceptor funcione distinto imaginemos que son perillas de control ajustables para nuestro perceptor o no una red neuronal interesante normalmente cuenta con cientos miles o millones de neuronas varias capas y muchísimas conexiones esto aumenta exageradamente la cantidad de perillas ajustables de la red neuronal si queremos hacer ajustes para cambiar el modelo de decisiones de la red nos sentiríamos como frente a una consola interminable de perillas por ajustar no sabríamos lo importante que comenzar a hacer los ajustes esta limitante de tener que ajustar los parámetros manualmente fue un primer gran problema el segundo fue que los perceptores que vimos hoy son muy volubles si recuerdas la salida de nuestro perceptor era un 1 o un 0 si voy o no voy en algunos escenarios eso tiene sentido sin embargo si tenemos una red neuronal grande un pequeño cambio en uno de los parámetros puede desencadenar una serie de modificaciones no deseadas en las siguientes capas similar a un efecto mariposa lo que se necesita es que los perceptores tengan una decisión más realista que en lugar de ser 10 me digan un número decimal que me diga qué tan adecuado es que me vaya o no de viaje quizá un punto 7 o quizá un punto 2 de esta manera cuando cambia un parámetro en lugar de cambiar totalmente una serie de decisiones cambia solo sutilmente lo necesario y el impacto de las capas posteriores es más controlado como solucionaremos este problema y lograremos decidir y vamos de viaje aunque esté el virus en el mundo en un siguiente vídeo hablaré de cómo se solucionaron estos problemas después de 10 años de estancamiento y como esto nos llevó a las redes neuronales que utilizamos hoy en día el vídeo te gustó por favor hágalo me gusta compártelo y suscríbete y si te sientes platicador igual le dije un comentario y donde me digas cómo crees que la inteligencia artificial va a cambiar tu vida en los siguientes añosCOMO FUNCIONAN .

VIKTOR FRANKL.

EL HOMBRE EN BUSCA DE SENTIDO

El hombre es lo que en última instancia se ha convertido porque lo ha hecho suyo pero la esencia principal del adulto es un diseño animal tedioso no podemos encontrarnos a nosotros mismos nuestra identidad Excepto volviéndonos devotos a la causa de algo

Este es el doctor Victor Frankl profesor de psiquiatría y neurología de

la Universidad de Viena por encima de ello presidente de la sociedad médica de Austria en psicoterapia es el autor de uno de los libros más leídos en estos tiempos a través de los campos de concentración hasta el existencialismo el doctor expone temas que conciernen al alma en su último libro El hombre en busca del sentido el dr Frankl está aquí para discutir con nosotros hoy algunos de los temas cruciales que nos tocan a todos analizando los problemas del hombre moderno sus ansiedades esperanzas del futuro se dijo que hubo tres revoluciones en Viena . Adler con su Búsqueda del poder Freud con su Búsqueda del placer y ahora el doctor Frankle que habla al hombre moderno de lo que sea que es en el mundo una vez Recibí una consulta de un hombre general prácticamente de las afueras de Viena y vino y me dijo doctor vengo a consultarle a usted por la severa depresión que estoy sufriendo ahora mismo Pues a lo largo de dos años desde que mi esposa falleció no puedo superarlo no puedo deshacerme de esta depresión no tiene sentido que usted me recete algo porque cualquier prescripción podría hacérmela yo mismo sin embargo tengo el presentimiento de que tengo que hablar con usted charlar con usted luego hubo una pausa y me preguntó qué debería hacer y podría haberle dado cualquier consejo no le dije nada pero solo le hice una pregunta le pregunté al viejo doctor terani qué pensaría si él hubiese fallecido primero y su esposa tuviese que sobrevivir a su muerte y me dijo Oh Eso habría sido terrible ella habría sufrido muchísimo y le dije este sufrimiento su esposa ha estado generando ese sufrimiento pero tú también podrías haberle generado a ella Este sufrimiento se habrías muerto antes pero ahora no sabes quién tiene que pagar por ello estás enojado porque ahora tú tienes que pasar El Duelo tú tienes que sufrir tú tienes que sobrevivir sin ella y no puedes culpar a nadie de ello el hombre levantó la cabeza y me miró me estrechó la mano y silenciosamente se fue de mi oficina él encontró en este cambio de actitud una nueva perspectiva algo que no podía cambiar el hecho de la muerte de su esposa y algo que sí podía cambiar su actitud ante ello de repente vio un sentido el sentido del sacrificio en un momento en el que no había nada en absoluto él podía superar su depresión estaba sufriendo Sí pero ahora lo hacía por el bien por el honor de alguien usted dice que los eventos de la vida separados del sentido son inútiles el hombre no puede ser saludable sin el sentido sin que haya un sentido detrás

de las cosas no podría ni siquiera estar vivo sabes quién dijo eso sabes quién dijo esto Albert Einstein ningún psiquiatra lo dijo y ahora pienso que la psiquiatría debe recordar esta parte motivacional primaria del hombre la parte que controla básicamente La Búsqueda del sentido y el hombre debe ser preparado para soportar la tensión entre los sentidos que esperan ser encontrados y el estado actual del ser volvamos por segundo al caso del médico que contó hoy en día mucha de la psicoterapia presente se concentra en lo que pensamos en el día a día y usted está diciendo que lo revirtió y dijo que lo importante es saber por qué usarlo ahora no dije aquí está esta píldora eso no te hace feliz existe un tranquilizante psicológico la psicoterapia con esto en vez de reducir su dolor traté de hacer que fuera capaz de soportar su dolor y este es uno de estos estados y esa es una de las principales diferencias en el enfoque de la psicoterapia y mucho de lo que vemos aquí en los Estados Unidos este es uno de los puntos básicos que la gente moderna está buscando este significado creo que lo está haciendo muy bien Esta es una de las habilidades que pudo poner a prueba estando en el campo de concentración verdad en algún sentido sí lo hice porque lo que estaba detectando era la pregunta el problema a su vez eso me estaba protegiendo y ayudando con mi firmeza sobreviviera o no al campo de concentración Pero todas estas cosas que la gente tuvo que atravesar gente inocente tratando de superarlo y a pesar de todas estas muertes a nuestro alrededor ese sufrimiento tiene un sentido un sentido más elevado pero en ese momento no lo tuvo para ninguno yo no le veía ningún sentido incluso para sobrevivir no sé si me entiendes usted dice que sobrevivir no es suficiente ni siquiera es lo básico entiendo y en la misma línea de este pensamiento básico de no tener el tranquilizante pero darle un sentido al sufrimiento y al dolor

Cuáles son las otras ideas básicas que han convertido en parte de su propio enfoque Yo le diría doctor que esta enseñanza de la terapia local del cuerpo se basa en tres principales Pilares tres principios uno es que la rueda del sentido es opuesta a la rueda del placer según el psicoanálisis interrumpo un minuto uno no necesita una reserva de alguna interpretación para hacer una experiencia significativa para usted el estado del viejo hombre es una preciosa responsabilidad suya verá usted tiene algo que puede dar lugar a una falsa interpretación entiendo yo podría decir que hay evidencia de que incluso el hombre promedio de la calle es en Primera y última instancia cualquier término Que prefieras alguien que busca un sentido no en una forma intelectual por supuesto sino en una forma más implícita su propio desarrollo personal llevando a cabo una tarea más elevada que él mismo amando a alguien los aspectos espirituales y las aspiraciones del hombre son primariamente aspectos intelectuales sino algo que concierne a la conciencia individual todo lo que tiene que ver con el amor con la dedicación a otra cosa más grande este es el espíritu humano no solo el intelecto y la razón el sentido de la vida se concibe como Dentro de este cuerpo de la logoterapia en la siguiente manera la vida nunca deja de tener un sentido de guardar un sentido para cada persona y ese era el hecho que quería enseñar al mundo el hecho de que incluso el sufrimiento tiene un significado por supuesto No el dolor tomado como algo masoquista como un sufrimiento innecesario pero ese sufrimiento se enfrenta en nuestras vidas con fe y la fe es inevitable en los eventos de la vida y este necesario e Inevitable sufrimiento en este caso depende de lo que le importe a cada uno y lo que importa es Cómo nos enfrentamos a eso cómo lo enfocamos la actitud que tomamos en esa circunstancia y una vez que encuentras el sentido al sufrimiento encuentras la libertad del ser ves la vida como una cadena de hilos interconectados un ejemplo es que el hombre nunca está condicionado por las condiciones siempre es libre no es que esté libre de las condiciones sino que es libre de expandirse por fuera de las condiciones en otras palabras cuando tus padres estaban en una crisis usted no podía controlar las circunstancias pero podía elegir en cierta forma cómo actuar ellos hubieran matado a Hitler Si hubiesen tenido la oportunidad pero pasemos a un ejemplo más trivial yo no soy responsable de que mi cabello sea gris sin embargo soy responsable del

hecho de que no fui al peluquero para que me loa entiendo en qué parte usted dice lo que importa no es tanto lo que se siente que es lo que solemos concentrarnos sino tu control sobre ello Eso después determina el significado de tus sentimientos definitivamente este es un factor muy importante

Esto es lo que pensé que no sabíamos déjeme formular una oración muy simple una vez dicha por Carl Justice el tío del cilindro central que dijo el hombre es lo que en última instancia se ha convertido porque lo ha hecho suyo pero la esencia principal del adulto es un diseño animal tedioso no podemos encontrarnos a nosotros mismos nuestra identidad excepto volviéndonos devotos a la causa de algo o a alguien no podemos realizar una actualización individual a no ser que nos desviemos hacia la devoción hacia el mundo no por una intención directa de nuestros principios ese es un punto magnífico pero nos estamos quedando sin tiempo

Algoritmo en informática: Qué es, cómo hacer uno y los diferentes tipos qué existen 

El concepto “algoritmo” está relacionado con el ámbito informático y se encuentra muy presente en nuestra vida cotidiana, cada vez más. En este artículo te explicamos qué es un algoritmo, cómo hacer uno, así como los diferentes tipos de algoritmos que existen. ¡Comenzamos!

¿Qué es un algoritmo en informática?

Un algoritmo en informática se trata de un conjunto de pasos o instrucciones establecidas, ordenadas y delimitadas para solucionar un problema, hacer un cálculo o llevar a cabo una tarea. En otras palabras, un algoritmo es el procedimiento que se sigue paso a paso para conseguir un objetivo concreto.

Entonces…. ¿Qué es un algoritmo en programación? ¿Es lo mismo?

En el campo de la programación, un algoritmo es el paso anterior a escribir el código. En primer lugar, tenemos que encontrar la manera de conseguir la resolución al problema, es decir, definir el algoritmo informático y, después, mediante el código, indicar a la máquina que pasos queremos que realice. Por lo tanto, un programa informático se trata de un conjunto de algoritmos ordenados y codificados en un lenguaje de programación para ser puestos en marcha en un ordenador.

Sin embargo, los algoritmos no “pertenecen” solo a los ámbitos de la computación y las matemáticas, sino que nosotros mismos utilizamos algoritmos durante nuestro día a día, como por ejemplo, los manuales de instrucciones o recetas de cocina ¡Están por todas partes!

 Tipos de algoritmos y ejemplos

Existen diferentes clasificaciones de los algoritmos dependiendo de diferentes factores. Por ejemplo, dependiendo de cómo describen sus pasos a seguir, se dividen entre algoritmos cuantitativos y cualitativos. De la misma forma, si requieren o no del uso de un ordenador para solventarlos, se distinguen entre computacionales o no computacionales.

Pero, si nos enfocamos en qué hace y cómo lo hace para llegar a la solución, encontramos más tipos de algoritmos. A continuación, señalamos los cuatro  tipos de algoritmos informáticos más comunes:

• Algoritmo de búsqueda. Estos localizan uno o diversos elementos que tengan una serie de propiedades en una estructura de datos. Por ejemplo, existen diferentes tipos de búsqueda, entre las más destacados:
• Búsqueda secuencial. En este tipo de algoritmo se compara el elemento a buscar con cada elemento del conjunto hasta dar con él o hasta que se hayan comparado todos los elementos.
• Búsqueda binaria. El algoritmo realiza una comparación con el elemento ubicado en el medio y, si no son iguales, sigue su búsqueda en la mitad donde puede encontrarse. De esta manera, continúa comparando cada vez en intervalos más pequeños de elementos.
• Algoritmos probabilísticos. Esta se trata de una técnica que utiliza una fuente de aleatoriedad como parte de su lógica. A través de una muestra aleatoria de la entrada, el algoritmo llega a una solución que puede no ser la mejor, pero sí la más adecuada para el problema planteado. Para que sea más probable brindar una solución correcta, el algoritmo se repite varias veces con diferentes muestras y compara los resultados.

Más tipos de algoritmos

• Algoritmos de ordenamiento. Estos reorganizan los elementos que se encuentran en un listado dependiendo de la relación de orden, normalmente, por orden numérico y lexicográfico. Un correcto orden optimiza el uso de este tipo de algoritmos y facilitan que se consigan resultados legibles por máquinas pero, también por personas.

Por ejemplo, estos son algunos de los algoritmos de ordenamiento que existen:

• Ordenamiento de burbuja. Este tipo de algoritmo compara cada elemento de la lista a ordenar con el siguiente y cambia la posición si no se encuentra en el orden correcto. Revisa una y otra vez la lista hasta que está ordenada correctamente.
• Ordenamiento por selección. En este caso, el algoritmo va colocando el elemento más pequeño en cada una de las posiciones de la lista uno detrás de otro, de forma consecutiva.
• Ordenamiento rápido. El algoritmo escoge un elemento del conjunto y reubica el resto a cada uno de los lados de ese elemento, según si son mayores o menos a él. Se repite el procedimiento en cada subconjunto.
• Algoritmos voraces.Este tipo de algoritmos consiste en una estrategia de búsqueda en la que se elige la mejor opción en cada paso local, con la finalidad de llegar a una solución general inmejorable. Normalmente, los algoritmos voraces se utilizan para solucionar problemas de optimización. Estos son algunos de los casos en los que los algoritmos logran soluciones óptimas:
• Codificación Huffman. Se trata de un método de compresión de datos en el que no se pierde información, que analiza la frecuencia de aparición de un mensaje y le asigna un código de longitud que puede variar.
• Problema de la mochila fraccional. En este caso, disponemos de una variedad de objetos y debemos determinar cuáles de ellos pondremos en la mochila para conseguir transportar el mayor valor sin superar el peso que puede soportar.

Cómo hacer un algoritmo

Antes de crear el algoritmo será necesario representarlo en un flujo de programación. Una vez representado, será más sencillo de ejecutar. Todo algoritmo cuenta con tres partes:

• En la entrada o input es donde se introducen todos los datos que el algoritmo necesita para ejecutarse.
• Con lo que ha recibido en la entrada, el algoritmo llevará a cabo una serie de cálculos para dar con la solución al problema.
• Los resultados que se han obtenido del procesamiento se mostrarán en el output o salida del algoritmo.
• Para crear un algoritmo se debe tener en cuenta sus características. Las características de los algoritmos son:
• Secuenciales: estos se procesan consecutivamente.
• Precisos: tienen que ser objetivos en la resolución del problema.
• Ordenados: deben leerse y ejecutarse por orden.
• Finitos: deben contar con un número concreto de pasos.
• Concretos: deben mostrar una solución al problema resuelto.
• Definidos: ante los mismos inputs siempre deben conseguirse los mismos outputs.

Un algoritmo tiene que ser suficiente para resolver un problema pero, si hay varios algoritmos que solucionan el mismo, siempre será preferible el que cuente con un camino más corto.

Si has entrado en este post sobre algoritmos es porque tienen interés en el mundo de la informática. ¿Te gustaría ser informático y aprender más sobre algoritmos, entre otras materias? En Epitech puedes hacerlo.

Epitech: tu escuela superior de informática

En Epitech somos una escuela superior referente en el ámbito de las Tecnologías de la Información y la Informática. Desde hace más de 20 años, nos dedicamos a formar a expertos informáticos y programadores que serán los encargados de continuar con la innovación tecnológica.

En Epitech encontrarás un Grado + Máster en Informática con el que te convertirás en un informático 100% preparado para los puestos más exigentes dentro del sector. En solo 5 años, adquirirás esta doble titulación y adquirirás todas las competencias necesarias para desarrollar tu actividad profesionalmente como uno de los mejores.

En el ámbito de la programación, contamos con el bootcamp Coding Academy, en el que en tan sólo 18 semanas, te convertirás en un experto programador. Contacta con nosotros y empieza tu aventura académica en Epitech, acompañado de los mejores profesionales y con los mejores programas.

APRENDIZAGE DE LA INFORMATICA

Voy a decepcionar a todas las personas en informática y aprendizaje automático porque voy a dar una conferencia pública genuina. Voy a intentar explicar qué son las redes neuronales, qué son los modelos de lenguaje, por qué creo que lo entienden. Tengo una lista completa de esas cosas y al final voy a hablar brevemente sobre algunas amenazas de la IA y luego hablaré sobre la diferencia entre redes neuronales digitales y analógicas y por qué creo que esa diferencia es tan aterradora. Desde la década de 1950 ha habido dos paradigmas para la inteligencia. El enfoque inspirado en la lógica cree que la esencia de la inteligencia es el razonamiento y eso se hace mediante el uso de reglas simbólicas para manipular expresiones simbólicas. Solían pensar que el aprendizaje podía esperar. Cuando era estudiante, me dijeron que no trabajara en el aprendizaje, eso vendrá después, una vez que entendamos cómo representar las cosas. El enfoque inspirado en la biología es muy diferente, cree que la esencia de la inteligencia es aprender las fortalezas de las conexiones en una red neuronal y el razonamiento puede pesar. No te preocupes por el razonamiento por ahora, eso vendrá después, una vez que podamos aprender cosas, así que ahora Voy a explicar qué son las redes neuronales artificiales y aquellas personas que saben pueden simplemente divertirse. Un tipo simple de neurona tiene neuronas de entrada y neuronas de salida, por lo que las neuronas de entrada pueden representar las intensidades de los píxeles en una imagen, las neuronas de salida pueden representar las clases de objetos en la imagen, como un perro o un gato, y luego hay capas intermedias de neuronas, a veces llamadas neuronas ocultas, que aprenden a detectar características que son relevantes para encontrar estas cosas. Entonces, una forma de pensarlo es si quieres encontrar un pájaro en una imagen, sería bueno comenzar con un detector de características que detecte pequeños fragmentos de borde en la imagen en varias orientaciones y luego podrías tener una capa de neuronas que detecte combinaciones de bordes como dos bordes que se encuentran en un ángulo fino, que podría ser un pico o no, o algunos bordes que forman un pequeño círculo y luego podrías tener una capa de neuronas que detecte cosas como un círculo y dos bordes que se encuentran que parecen un pico en la relación espacial correcta, que podría ser la cabeza de un pájaro y finalmente podrías tener una neurona de salida que diga «Bueno, si encuentro la cabeza». de un pájaro y la pata de un pájaro y el ala de un pájaro probablemente sea un pájaro así que eso es lo que estas cosas van a aprender a ser ahora los pequeños puntos rojos y verdes son los pesos en las conexiones y la pregunta es quién establece esos pesos así que aquí hay una manera de hacerlo que es obvia es obvio para todos que funcionará y es obvio que tomará mucho tiempo empiezas con pesos aleatorios luego eliges un peso al azar ese pequeño punto rojo y lo cambias ligeramente y ves si la red funciona mejor tienes que probar en un montón de casos diferentes para realmente evaluar si funciona mejor y haces todo ese trabajo solo para ver si aumentar este peso un poco o disminuirlo un poco mejora las cosas si aumentarlo lo empeora lo disminuyes en cierto modo ese es el método de mutación y así es como funciona la evolución un para la evolución es sensato trabajar así porque el proceso que te lleva del genotipo al fenotipo es muy complicado y está lleno de eventos externos aleatorios así que no tienes un modelo de ese proceso pero para las redes neuronales es una locura porque tenemos porque todos estos cálculos se están realizando en la red neuronal tenemos un modelo de lo que está sucediendo y entonces podemos usar el hecho de que sabemos lo que sucede en ese pase hacia adelante en lugar de medir cómo afectaría un cambio de peso a las cosas en realidad calculamos cómo afectaría el cambio de peso a las cosas y hay algo llamado retropropagación donde envías información de vuelta a través de la red la información es la diferencia entre lo que tienes y lo que querías y averiguas para cada peso en la red al mismo tiempo si debes disminuirlo un poco o aumentarlo un poco para que sea más parecido a lo que querías ese es el algoritmo de retropropagación lo haces con cálculo en la regla de la cadena un y eso es más eficiente que el método de mutación por un factor del número de pesos en la red así que si tienes un billón de pesos en tu red es un billón de veces más eficiente así que una de las cosas para las que se usan a menudo las redes neuronales es reconocer objetos en imágenes las redes neuronales ahora pueden tomar una imagen como la que se muestra y producir en realidad un título para la imagen como salida y la gente intentó con aire simbólico hacer eso durante muchos años y ni siquiera acercarme, um, es una tarea difícil, sabemos que el sistema biológico funciona con una jerarquía de detectores de características, por lo que tiene sentido probar redes neuronales en eso y en 2012, dos de mis estudiantes IA y Alvi , con un poco de ayuda de mi parte, demostraron que se puede hacer una red neuronal realmente buena de esta manera para identificar mil tipos diferentes de objetos.

.