Autor: Enrique Rubio (Página 7 de 141)

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.

.

SOBRE INTELIGENCIA ARTIFICIAL.

Te has preguntado alguna vez cómo sería vivir en un mundo donde la Inteligencia artificial no solo nos asiste sino que nos desafía y redefine nuestra propia existencia, en el vídeo de hoy exploraremos las siete etapas evolutivas de la Inteligencia artificial un viaje donde la frontera entre lo humano y lo

artificial se vuelve borrosa y enigmática quédate con nosotros para descubrir Cómo la IA está trazando un futuro lleno de maravillas y misterios donde de cada avance nos acerca a un destino desconocido y revolucionario comenzamos con la primera etapa que consiste en sistemas de Inteligencia artificial basados en reglas estos sistemas también conocidos Como sistemas de una tarea representan la etapa más temprana y fundamental en el desarrollo de la ia estos sistemas operan estrictamente dentro de un conjunto predefinido de reglas o un algoritmo específico proporcionado por los programadores su funcionamiento se basa en la lógica Sí entonces donde cada entrada recibe una respuesta predeterminada según las reglas establecidas un ejemplo clásico de estos sistemas es una partida de ajedrez contra una computadora aquí la computadora está programada para conocer todos los movimientos posibles y sus resultados potenciales utiliza estas reglas para decidir el mejor movimiento en cada turno Pero su comprensión del juego está limitada estrictamente a lo que ha sido codificado en ella no tiene la capacidad de aprender de experiencias pasadas adaptarse a estrategias nuevas o inusuales ni desarrollar técnicas de juego propias estos sistemas basados en reglas son altamente eficientes y confiables para tareas específicas con reglas claras Y bien definidas son ideales para aplicaciones como diagnosticar problemas mecánicos procesar formularios de impuestos o ejecutar operaciones lógicas simples sin embargo su inteligencia Y capacidad de actu están firmemente limitadas por las reglas que se les han programado carecen de la habilidad para entender contextos Más amplios aprender de interacciones nuevas o manejar situaciones que no estaban explícitamente preprogramadas en su sistema pasemos a la etapa dos que abarca los sistemas de retención y conciencia del contexto estos sistemas marcan un avance significativo en el desarrollo de la Inteligencia artificial A diferencia de los sistemas basados en reglas de la un estos sistemas son capaces de comprender y retener información de interacciones pasadas y utilizan este conocimiento acumulado para informar y mejorar sus respuestas futuras un ejemplo representativo de esta etapa son los asistentes virtuales como Siri o el asistente de Google estos sistemas no solo procesan y Ejecutan comandos sino que también aprenden de las interacciones anteriores del usuario Por ejemplo si le preguntas a tu asistente virtual sobre el resultado de un de fútbol y luego preguntas Cuándo es el próximo juego el asistente entiende que te refieres al mismo equipo de fútbol mencionado anteriormente esta capacidad de retención y comprensión del contexto permite a estos sistemas manejar un Rango más amplio de interacciones de una manera más personalizada y sofisticada otro ejemplo es el modelo de lenguaje gpt generative pretrained Transformer como chat gpt desarrollado por Open eye entrenado con millones de conversaciones pasadas puede generar respuestas automáticas que simulan el estilo y la coherencia de un humano Ajustando sus respuestas según el contexto de la conversación en esta etapa la Inteligencia artificial comienza a mostrar una mayor flexibilidad Y adaptabilidad aunque aún no son pensadores independientes ni completamente autónomos estos sistemas de ia han aprendido a recordar y utilizar el contexto en sus interacciones lo que presenta un salto cualitativo Respecto a los sistemas basados únicamente en reglas continuamos con la etapa tres los sistemas de decd dominio específico en esta etapa la ia no solo comprende y retiene información sino que también se especializa en ser altamente competente dentro de un campo o dominio en particular estos sistemas son expertos adaptados y sobresalen en áreas específicas un ejemplo destacado de esta etapa es IBM Watson originalmente para competir en el programa de juegos jeopardy Watson demostró su capacidad para entender y responder preguntas complejas rápidamente y con precisión Watson analiza grandes cantidades de datos identifica patrones y proporciona respuestas basadas en su vasto conocimiento del dominio otro ejemplo notable es Alpha go the deep Mind una subsidiaria de Google un programa de ia diseñado para jugar al go un antiguo juego de mesa que se caracteriza por su complejidad y profundidad estratégica alfago no solo aprendió a jugar al Go sino que también logró derrotar a campeones mundiales del juego un hito significativo en el campo de la ia los sistemas de ia en esta etapa se caracterizan por su enfoque especializado no son generalistas sino que están diseñados para ser altamente eficientes en tareas específicas dentro de su campo de especialización estos sistemas tienen una comprensión más profunda de su dominio en particular que cualquier humano capaces de analizar datos y patrones a una velocidad y con una precisión que va más allá de las capacidades humanas representan la etapa adulta en el desarrollo de la ia mostrando habilidades sofisticadas y expertas dentro de sus áreas designadas vayamos ahora a la etapa cuatro que consiste en el pensamiento y razonamiento en sistemas de ia se caracteriza por sistemas de ia que comienzan a emular la capacidad de pensamiento y razonamiento humana estos sistemas no se limitan a seguir reglas o retener información contextual en cambio intentan simular el proceso de pensamiento humano abarcando la

comprensión de conceptos complejos la resolución de problemas desconocidos y la generación de ideas creativas en esta etapa la ia utiliza técnicas avanzadas como el aprendizaje automático y el aprendizaje profundo estas metodologías permiten a los sistemas aprender de experiencias pasadas y mejorar continuamente su rendimiento por ejemplo un sistema de ia de esta etapa puede ser capaz de leer un libro y no solo comprender la trama sino también inferir los motivos de los personajes basándose en sus acciones otra aplicación podría ser en el ámbito de los análisis financieros donde un sistema de ia puede estudiar datos económicos anticipar tendencias del mercado y sugerir estrategias de inversión inteligentes estos sistemas son capaces de abordar y resolver problemas complejos de manera innovadora yendo Más allá de la mera ejecución de tareas programadas esta etapa marca un avance significativo hacia una ia más parecida a la inteligencia humana aunque aún no alcanza la equivalencia total con la mente humana a pesar de su sofisticación y capacidades de aprendizaje estos sistemas de ia todavía requieren Un diseño y una programación específicos para abordar particulares Contamos a la etapa c la Inteligencia artificial general agi Pero antes de seguir si te está gustando Este vídeo deja un like y no olvides suscribirte para seguir viendo contenido de valor como este además si estás interesado en aprender más profundamente sobre la iia te recomendamos unirte a nuestra formación en ia Tienes toda la información en la descripción Ahora sí continuemos con esa etapa C esta introduce el concepto de la Inteligencia artificial general agi también conocida como ia fuerte en esta etapa la ia alcanza un nivel de inteligencia y habilidades cognitivas comparable a la del ser humano un sistema de agi es capaz de aprender adaptarse e implementar conocimientos en una amplia gama de tareas y contextos no limitándose a un campo o dominio específico la agi sería capaz de realizar cualquier tarea intelectual que un ser humano pueda hacer esto incluye aprender nuevos idiomas componer música resolver teoremas matemáticos complejos y comprender emociones humanas estos sistemas tendrían autoconciencia y la habilidad para entender y Navegar el

mundo de manera similar a un ser humano hasta ahora la agi es principalmente teórica y aún no se ha alcanzado en la práctica representa la frontera de la investigación en Inteligencia artificial y plantea tanto enormes posibilidades como desafíos éticos y de seguridad la existencia de agi cambiaría radicalmente

numerosos aspectos de la vida humana desde Cómo trabajamos hasta Cómo interactuamos con la tecnología abriendo un mundo de posibilidades en Campos como la medicina la ciencia y la creatividad sin embargo su desarrollo y aplicación requieren consideraciones cuidadosas sobre el impacto y las implicaciones en la sociedad seguimos con la etapa seis Inteligencia artificial asi esta etapa introduce el concepto de superinteligencia artificial un nivel de inteligencia que no solo Iguala sino que supera ampliamente la capacidad cognitiva humana un sistema de asi sería capaz de realizar tareas con una eficiencia creatividad y habilidades de resolución de problemas que exceden las de los mejores cerebros humanos en prácticamente todos los campos incluyendo ciencia arte ingeniería y más lo que hace a la asi particularmente fascinante y aterradora a la vez es su capacidad de mejora continua y Autónoma un sistema asi podría aprender adaptarse y evolucionar a un ritmo exponencialmente más rápido que los humanos llevando a avances tecnológicos y científicos a una velocidad y con un alcance que actualmente no podemos comprender podría descubrir soluciones a problemas globales complejos como el c climático enfermedades incurables o incluso desentrañar los misterios del universo sin embargo la a también plantea importantes preocupaciones éticas y de seguridad su capacidad para superar la inteligencia humana significa que podría tomar decisiones o realizar acciones que los humanos no pueden prever o controlar la gestión y el control de una asi serían desafíos monumentales ya que un error o mal uso Podría tener consecuencias impredecibles y potencialmente catastróficas la posibilidad de asi plantea preguntas fundamentales sobre el futuro de la humanidad la naturaleza del Poder y la inteligencia Y cómo la sociedad debería prepararse para la eventualidad de una inteligencia que trasciende nuestros límites humanos y representa un territorio inexplorado con posibilidades tanto emocionantes como profundamente inquietantes para el futuro de nuestra civilización por último encontramos la etapa siete la singularidad de la ia Este es un concepto futurista que marca un punto de inflexión en la historia humana la singularidad se refiere al momento hipotético en el cual la Inteligencia artificial avanza tanto que supera la inteligencia humana provocando cambios impredecibles y fundamentales en la sociedad en esta etapa la superinteligencia artificial asi no solo Iguala sino que supera drásticamente la inteligencia humana en todos los campos esta superinteligencia sería capaz de mejorar y actualizarse a sí misma sin la necesidad de intervención humana llevando a un crecimiento tecnológico acelerado y exponencial la singularidad de la ia representa un futuro donde la tecnología avanza más rápido de lo que los humanos pueden comprender o predecir la idea de la singularidad de la ia plantea tanto fascinación como temor por un lado podría significar avances extraordinarios en la ciencia y la tecnología ofreciendo soluciones a los problemas más acuciantes de la humanidad por otro lado implica una era de incertidumbre y posibles riesgos ya que una superinteligencia descontrolada Podría tener efectos imprevisibles y potencialmente peligrosos el concepto de la singularidad de la ia ha sido objeto de mucho debate y especulación algunos ven en ella la posibilidad de un utopía tecnológica mientras que otros advierten sobre los riesgos de una inteligencia que sobrepasa la comprensión y control humanos la singularidad no es solo un evento tecnológico sino un punto de reflexión crucial sobre el futuro de la humanidad la ética de la Inteligencia artificial y cómo nos preparamos para un mundo que podría transformarse radicalmente por la tecnología avanzada En conclusión el recorrido por las siete etapas de la Inteligencia artificial nos ofrece una visión panorámica del Progreso y las potenciales transformaciones que la ia puede traer a nuestro mundo cada etapa representa un avance significativo en la capacidad complejidad y potencial de la Inteligencia artificial el futuro de la ia es tanto prometedor como desconocido y nos invita a reflexionar sobre Cómo podemos adaptar esta tecnología para el beneficio de la humanidad manteniendo un equilibrio entre la innovación y la responsabilidad la inteligencia artificial solo está definiendo el futuro de la tecnología sino también el futuro de nuestra sociedad y nuestra especie y así llegamos hasta el final de este víde qué piensas tú de la IA crees que puede llegar a acabar con la humanidad deja tu opinión en comentarios estaremos encantados de leerte Y debatir por último si te ha gustado el vídeo deja un like y no olvides suscribirte para estar al tanto de todas las actualizaciones de la Inteligencia artificial

A MEDIDA QUE LA INTELIGENCIA ARTIFICIAL AVANZA, ¿PODEMOS CONFIAR EN EL PROGRAMA OPEN AI Y EN SU FUNDADOR, SAM ALTMAN?

Soy Azeem Azhar y hoy voy a reunirme con Sam Altman para hablar. Bienvenidos a Exponentially. El 2023 será recordado como el año en que la IA irrumpió en la conciencia pública. OpenAI está al mando del cambio, pero, ¿qué es lo que piensa su fundador? ¿Cuál es su objetivo? ¿Y seremos parte del cambio? Sam Altman es la estrella de rock and roll de la inteligencia artificial. Ha recaudado miles de millones de dólares de Microsoft y entre sus primeros patrocinadores estaban Elon Musk y Reid Hoffman. Ha sido un encuentro increíble y cuanto más sabemos sobre la IA, más preguntas surgen al respecto. Me encontré con Sam al comienzo de una gira mundial que cubriría 20 países en solo 30 días. Conversamos en la University College de Londres frente a una audiencia en vivo de casi 1000 personas. Debes estar muy ocupado, estás en medio de una enorme gira mundial.

¿Cómo te sientes? Ha sido genial. Al principio, no sabía si iba a divertirme. Tenía muchas ganas de hacerlo, porque acudir a los medios de comunicación de San Francisco no era una opción para mí. Entonces, se me ocurrió la idea de viajar y conocer gente personalmente. Así que recibimos comentarios muy útiles sobre lo que la gente quiere que hagamos,  qué piensa sobre la IA, qué le entusiasma, qué le preocupa. Y lo he pasado muy bien. Te he visto tomando notas a mano en un cuaderno mientras escuchas a la gente. Todavía tomo notas y escribo listas a mano. Seguramente tengamos que aprender algo de eso. No creo que así sea. Cuando fundaste OpenAI en 2015, ¿imaginaste que unos pocos años después, casi por necesidad, tendrías que subirte a un avión y volar alrededor del mundo para escuchar lo que personas de todos los continentes tenían para decirte? Siempre tuve eso en mente. Cuando dirigia Y Combinator intentaba viajar lo más posible para conocer gente.

Creo que eso es algo importante que la industria tecnológica del área de la bahía no hace lo suficiente. Pero yo lo disfruto. También creo que viajando adquirí algunos conocimientos muy importantes. De esa manera logras ver perspectivas muy diferentes. Cuando iniciamos OpenAI, pensé que probablemente no funcionaría, pero si lo hacía, creí que sería una tecnología impactante y que recibir aportes del mundo sería un factor clave para el proceso. Ya has logrado bastantes avances en esta herramienta. Has estado en países del sur global y también en países de Europa que son más ricos. Quiero que me des una respuesta que sea lo más breve y rápida posible.

¿Cómo fue cambiando la actitud del público y qué te sorprendió? Hay muchos aspectos interesantes en los que la actitud de las personas no han cambiado. Creo que hay mucho entusiasmo por parte de las personas que aplican la tecnología a todo. Y también hay miedo por parte de las personas que no usan la tecnología o de las que la usan mucho y se preguntan cuáles serán los límites. Las preocupaciones son diferentes dependiendo del lugar. En el caso del sur global, se preguntan cuáles son los beneficios económicos de esta tecnología. Por ejemplo, ¿cómo podría ayudar con los problemas de educación y salud? Y en los países más desarrollados se preocupan más por cómo la IA podría ayudar a abordar problemas a largo plazo y tiene sentido. Pero notamos que hay aspectos que son universales, como el entusiasmo por la tecnología, el deseo de participar, el deseo de garantizar que los valores de todos estén representados. Además, tenemos una especie de gobernanza, ya que tenemos la posibilidad de plasmar las necesidades en los sistemas que construimos, de repartir beneficios y de crear un acceso compartido justo. Teniendo en cuenta el modelo de Silicon Valley, estás en una posición sin precedentes desde muchos puntos de vista. Generalmente, el fundador de una empresa o de un servicio como este posee mucho capital, también recibe un salario y tiene ventajas financieras. Tú no tienes nada de eso, simplemente retiras lo suficiente para tu seguro médico. Entonces, ¿qué es lo que te motiva a seguir con este proyecto? Considerando el desafío que supone y las exigencias de tiempo y de energía.

Me parece un reto fascinante. Realmente no se me ocurre nada más emocionante en lo que trabajar. Me siento muy privilegiado de vivir en este momento de la historia y más aún de poder trabajar con este equipo en particular. No existe otra forma en la que preferiría pasar los días. Entiendo. Fui muy afortunado y gané mucho dinero al principio de mi carrera.

Entonces, creo que eso fue de gran ayuda. ¿Tienes personas que sean tus mentores? Sí, me siento muy afortunado de haber tenido grandes mentores. También creo que es importante no intentar aprender demasiado de otros y hacer las cosas a mi manera. Siempre he tratado de tener un equilibrio, aunque todavía no lo logré por completo.

Pero creo que una de las cosas mágicas de Silicon Valley es lo mucho que se preocupa la gente por la tutoría y la enseñanza. Y así es como aprendí más de lo que me correspondía. Si tuvieras que elegir una o dos lecciones de tus grandes mentores, ¿cuáles serían? Paul Graham dirigía la que hoy es mi área antes de que yo llegara. Gracias a él, muchas personas y yo aprendimos cómo funcionan las empresas emergentes y cómo se diseña el manual de estrategias para que sean exitosas. Él fue quien nos enseñó, en gran medida, qué es lo que se necesita para crear una organización de alto funcionamiento y cuáles son las trampas que hay que evitar.

Y sin duda, de Elon aprendí todas las cosas que son posibles de hacer y que no necesariamente hay que aceptar que nuestra tecnología no es algo que se puede ignorar. Eso ha sido muy valioso. Creo que estas dos lecciones de las que hablas se pueden ver plasmadas en OpenAI y en todo lo que has logrado en estos últimos años. En nuestro último encuentro, hace un par de años, tú hablabas de estos grandes modelos de lenguaje y actualmente estamos utilizando GPT-4, pero en aquel entonces lo más moderno era GPT-3. Y recuerdo que mencionaste que para pasar del sistema GPT-2 al GPT-3 había que dar solo un pequeño paso. Dijiste que la brecha entre ambos era mínima.

¿Dirías que llegar a GPT-4 también implicó dar otro pequeño paso? Así lo veremos en retrospectiva. Eso creo. En su momento fue un gran cambio, pero en retrospectiva lo veremos diferente. Por un tiempo se sintió como un gran salto, pero la gente ya está preguntando en qué estamos trabajando y cuándo se lanza GPT-5. Y eso está bien, así se maneja el mundo y así es como debe ser. Nos acostumbramos a todo, establecemos nuevas bases muy rápido. Quiero preguntarte, ¿cuáles fueron los conocimientos que adquiriste durante el desarrollo de GPT-4, y en los meses posteriores a su lanzamiento, que fueron diferentes a los de los modelos anteriores?

Creo que terminamos de entrenar GPT-4 unos ocho meses antes de lanzarlo. Y ese fue, con diferencia, el tiempo más largo de prelanzamiento de un modelo. Con GPT-3 aprendimos todas las formas en las que estas cosas pueden fallar cuando las liberas al mundo. Implementamos modelos de forma incremental para darle al mundo tiempo para adaptarse y también para entender qué es lo que podría pasar, cuáles son los riesgos, cuáles son los beneficios y cuáles deberían ser las reglas. Pero no queremos lanzar un modelo defectuoso. Así que dedicamos más tiempo a aplicar lo que aprendimos de las versiones anteriores de GPT. Ahora sabemos que si dedicamos tiempo a alinear, auditar y probar todo nuestro sistema de seguridad, podemos lograr muchos avances. Básicamente, construiste un modelo que es una máquina increíblemente compleja. El precursor, GPT-3, tenía 175 mil millones de parámetros como controles deslizantes en un ecualizador gráfico, y eso es mucha configuración. Y el modelo GPT-4 es aún más grande, aunque no has dicho formalmente cuáles son sus dimensiones. Entonces, mi pregunta es: ¿qué es lo que haces con esa máquina para conseguir que haga lo que queremos y, al mismo tiempo, que no haga lo que no queremos? Ese es el problema de alineación, que es en lo que has trabajado durante ocho meses. Sí.

Quiero dejar algo bien en claro. El hecho de que seamos capaces de alinear GPT-4 no significa que no pueda tener fallas. De eso no hay ninguna duda. Tenemos una enorme cantidad de trabajo por hacer para descubrir cómo vamos a alinear la superinteligencia y sistemas mucho más poderosos que los que tenemos ahora. Me preocupa que la gente piense que hemos resuelto el problema cuando decimos que podemos alinear GPT-4 lo mejor posible, porque no es así. Pero creo que es increíble que podamos tomar el modelo base de GPT-4, que si cualquier persona lo usa, puede comprobar que no es demasiado impresionante. O, al menos, que es extremadamente difícil de usar. Y con relativamente poco esfuerzo y pocos datos, podemos aplicar RLHF y lograr que el modelo sea fácil de utilizar y esté alineado. RLHF significa Aprendizaje por Refuerzo con Retroalimentación Humana. Tengo entendido que esa es la forma en la que la gente responde preguntas de GPT-4 y le indica cuándo ha cumplido con las expectativas y cuándo no.

Así es. Se utilizan pequeñas cantidades de retroalimentación poco sofisticadas. Dado que estos modelos se pueden utilizar con lenguaje natural, es normal pensar que la máquina se alimenta de comentarios muy explicativos y desarrollados. Pero la realidad es que el sistema se basa en algo tan simple como pulgares arriba y pulgares abajo. Y creo que es impresionante que funcione así. Lo que me resulta increíble es la poca cantidad de RLHF en comparación con los miles de millones de palabras con las que se entrenan estos modelos. ¿Cuántos comentarios se necesitan para que sean lo más precisos posible? Eso varía bastante dependiendo del caso,

pero no muchos. Dijiste que no estás entrenando a GPT-5 en este momento y tengo curiosidad de saber por qué. ¿Es porque no hay suficiente información? O, ¿porque no hay suficientes chips de computadora para entrenarlo? O, ¿fue porque identificaste ciertas necesidades cuando estabas creando GPT-4 y pensaste que tenías que descubrir cómo abordarlas antes de construir el siguiente modelo? Estos modelos son muy difíciles de construir. Pasaron casi tres años entre el lanzamiento de GPT-3 y GPT-4. Lleva mucho tiempo y hay mucha investigación por hacer. También hay muchas cosas que queremos hacer con GPT-4 ahora que está terminado, como estudiar el período de posformación. Queremos expandirlo. Es increíble que se pueda lanzar un iPhone cada año, pero nosotros vamos a tener una cadencia de más de un año. Mencionaste que hay mucha más investigación por hacer y hay varios investigadores de IA con mucha experiencia que han dicho que los modelos de lenguaje grande son limitados. Sostienen que estos grandes modelos de lenguaje no aumentarán su nivel de rendimiento y que no se puede construir inteligencia artificial general a partir de ellos. ¿Estás de acuerdo con estas ideas? En primer lugar, creo que la mayoría de esos comentaristas se han equivocado terriblemente sobre lo que los modelos grandes de lenguaje podrán hacer.

Muchos de ellos ahora han pasado a decir que no es que esta tecnología no funcione, sino que lo hace demasiado bien y que tenemos que detenerla porque es demasiado peligrosa. Otros simplemente han dicho que todo esto no supone ningún aprendizaje real. Algunos de los más sofisticados opinan que los grandes modelos de lenguaje funcionan mejor de lo esperado, pero no tanto como la inteligencia artificial general según el paradigma actual. Y eso es cierto, así que creo que debemos esforzarnos lo más que podamos. Pero estamos trabajando duro para intentar descubrir el próximo paradigma. Lo que a mí más me entusiasma del mundo de la inteligencia artificial general es que estos modelos, en algún momento, nos ayudarán a descubrir nuevas ciencias de manera muy rápida y significativa. Pero creo que la forma más rápida de lograr eso es ir más allá del paradigma GPT. Tenemos que trabajar para crear modelos que puedan generar conocimientos, aportar nuevas ideas, descubrir cosas que no se han visto antes.

He estado usando GPT-4 de forma obsesiva. Me alegra saberlo. Sobre todo en los últimos meses, es algo extraordinario. Y siento que a veces intenta generar nuevos conocimientos. Y no tengo pruebas, pero trabajo en el área de investigación y siento que mi teoría puede ser acertada. ¿Qué opinas de esto?

Sí, hay algo de eso. Puede hacer cosas pequeñas, pero no puede autocorregirse y mantenerse lo suficientemente centrado como para que podamos, simplemente, pedirle que cure el cáncer, por ejemplo. Eso no sucederá. Bien. Pero sería bueno que pudiera hacerlo. Hablaste sobre diferentes vías de investigación que podrían ser necesarias. ¿Tienes un par de descubrimientos favoritos que crees que podrían ser el siguiente paso de la humanidad en la construcción de estas tecnologías? No hay nada que me inspire la suficiente confianza como para apostar a eso, pero seguimos buscándolo. Estamos hablando de cuán poderosas son estas tecnologías, pero, obviamente, también tienen ciertas desventajas. Comencemos mencionando una que hoy en día es una realidad. Como sabemos, tanto GPT-4, como también otros grandes modelos de lenguaje son muy buenos para producir texto con sonido humano. Y eso plantea un riesgo de desinformación, más que nada, a medida que nos acercamos a elecciones importantes en Estados Unidos. ¿Qué tan grave consideras que es ese riesgo? Y teniendo en cuenta que ese evento es tan próximo, ¿qué podríamos hacer y en qué podríamos ayudarte? Creo que el tema de la desinformación se está convirtiendo en un gran desafío en el mundo y creo que es un asunto delicado.

Ya hemos desconfiado de cosas que resultaron ser ciertas. Sí. Expulsamos personas de las plataformas por creer que mentían. Entonces, vamos a tener que encontrar un equilibrio. Tenemos que aprender a preservar la capacidad de equivocarnos al momento de exponer información importante sin que nadie piense que todo se trata de desinformación intencional utilizada para manipular. Pero creo que la manipulación de información, hoy en día, es un problema real y hemos visto más de eso a medida que avanza la tecnología. El GPT-3.5 es bueno. Entonces, de haber habido una ola de desinformación, ¿no habría llegado antes? Creo que los humanos ya son buenos generando desinformación y tal vez los modelos GPT lo hagan más fácil. Pero eso no es lo que me preocupa. Si bien es tentador comparar la IA con las redes sociales, son muy diferentes. Puedes generar toda la desinformación que quieras con GPT-4, pero si no se difunde, no servirá de mucho. Entonces, la cuestión está en los canales de difusión.

15:17

Pero creo que lo que vale la pena considerar es qué será diferente con la IA y con qué canales que puedan ayudar a difundirla se conectará. Pienso que una cosa que será diferente es la capacidad persuasiva interactiva personalizada que tienen estos sistemas. Entonces, gracias a esta innovación, podría recibir una llamada automática y al atenderla, podría escuchar un texto pronunciado por una voz que suena muy realista. El mensaje leído por la máquina sería personalizado, por lo tanto, sería emocionalmente resonante y extremadamente realista. Creo que ese será el nuevo desafío y hay mucho que hacer al respecto. Podemos incorporar rechazos en los modelos y crear sistemas de seguimiento para que la gente no pueda hacerlo a escala. Pero vamos a tener potentes modelos de código abierto en el mundo y creo que es importante que así sea. Y las técnicas de IA abierta que podemos hacer en nuestros sistemas no funcionarán de la misma manera. Bien, quiero hacer hincapié en esto. OpenAI cuenta con una API, entonces, si algún cliente en particular tiene un mal comportamiento, lo puedes desactivar. Mientras que un modelo de código abierto puede ser ejecutado por cualquier persona en su computadora de escritorio, y eso es mucho más difícil de controlar. Sí. Resolver esto no puede ser solo responsabilidad de OpenAI.

¿Recibes ayuda? Hay regulaciones que podemos implementar que ayudarían con ese problema, pero la verdadera solución es educar a la gente sobre lo que está sucediendo. Hemos pasado por esto antes. Cuando Photoshop se popularizó, hubo un breve período en el que la gente creía que lo que veía en ciertas imágenes era real.

Pero luego aprendió que eso podía ser falso, aunque algunas personas todavía caen en estas cosas. Hoy se sabe que cualquier imagen podría estar manipulada digitalmente. Eso está claro. Lo mismo sucederá con estas nuevas tecnologías, pero cuanto antes podamos educar a la gente al respecto, mejor, porque la resonancia emocional va a ser mucho mayor.

Pasemos a la educación. Aquí estamos en una universidad global. Y, por supuesto, la educación está estrechamente relacionada con el mercado laboral. En ocasiones anteriores hemos visto surgir nuevas tecnologías poderosas que realmente han impactado la dinámica de poder entre trabajadores y empleadores.

Por ejemplo, a finales del siglo XVIII se produjo la pausa de Engels, el momento en Inglaterra en el que el PIB aumentó y los salarios de los trabajadores se estancaron. Cuando analizamos la IA, es posible que veamos algo similar. Y creo que ni tú ni yo queremos que los historiadores del futuro creen el concepto de la pausa de Altman para describir el momento en el que los salarios sufrieron bajo un punto de presión salarial debido al surgimiento de la nueva tecnología. ¿Cuáles son las intervenciones necesarias para garantizar que haya una especie de distribución equitativa de los beneficios de la tecnología? Antes que nada, necesitamos ganancias y crecimiento.

Creo que uno de los problemas del mundo desarrollado es que no tenemos suficiente crecimiento sostenible y eso está causando todo tipo de problemas. Por eso me entusiasma que esta tecnología pueda recuperar los aumentos de productividad que se perdieron en las últimas décadas. Algunas tecnologías reducen la desigualdad por naturaleza y otras la aumentan. No estoy totalmente seguro de qué pasará con esta, pero creo que es una tecnología cuyo objetivo es reducir la desigualdad. Según mi visión con respecto al modelo básico del mundo, el costo de la inteligencia y el costo de la energía son los dos insumos limitantes. Y si podemos hacerlos dramáticamente más baratos y más accesibles, eso ayudará más a los pobres que a los ricos, francamente, aunque la realidad es que ayudará mucho a todos. Esta tecnología beneficiará a todo el mundo. Las personas que están en esta sala pueden acudir a algún tipo de trabajo cognitivo intelectual, pero la mayoría de las personas en el mundo muchas veces no pueden hacerlo.

Y si podemos mercantilizar eso, será una importante fuerza igualadora. ¿Puedo decir algo más? Sí. Yo pienso que surgirán muchos más trabajos junto con esta revolución tecnológica y creo que eso es importante. No creo, en absoluto, que este sea el fin del trabajo. Creo que en el futuro pensaremos que los trabajos que hacemos hoy son mundanos y estaremos haciendo cosas más interesantes. Sigo opinando que tendremos que pensar en la distribución de la riqueza de manera diferente. Y eso está bien. De hecho, cambiamos de opinión después de cada revolución tecnológica. Y dadas las características de la que estamos viviendo hoy, creo que será todo un desafío lograr que el acceso a estos sistemas se distribuya de manera justa. Y en las revoluciones tecnológicas anteriores, lo que nos unió fueron las estructuras políticas. Me refiero al sindicalismo y los colectivos laborales de finales del siglo XIX. Cuando analizamos algo como la inteligencia artificial, ¿te imaginas los tipos de estructuras que se necesitarían para reconocer y redistribuir las ganancias del trabajo no remunerado o mal remunerado que a menudo no se reconoce? Como, por ejemplo, el trabajo que hoy realizan las mujeres en todo el mundo. Creo que habrá un cambio muy importante y también esperado en cuanto a los tipos de trabajo que valoramos hoy en día. Y además, proporcionar conexión humana será, como debería ser, uno de los tipos de trabajo más valorados y ocurrirá de maneras diferentes. Entonces, cuando reflexionamos sobre cómo ha progresado la IA hasta este punto, ¿qué lecciones podemos extraer, si es que hay alguna, sobre el camino hacia la superinteligencia artificial

y cómo podría surgir? ¿Existe realmente la idea de tener una inteligencia artificial que sea más capaz que los humanos en absolutamente todos y cada uno de los ámbitos que conocemos? ¿Cómo puedo resumirlo? Tienes tiempo. Creo que hay muchas cosas que hemos aprendido hasta ahora con respecto a la IA.

Pero una de ellas es que tenemos un algoritmo que puede aprender genuina y verdaderamente, y otra es que predeciblemente mejora con la práctica. Estos dos hechos se dan en conjunto. Y creo que, aunque pensamos en eso todos los días, no valoramos lo importante que es. Esta tecnología seguirá desarrollándose.

Otra observación que quiero destacar es que ocasionalmente tendremos estos aumentos discontinuos que se dan cuando descubrimos algo nuevo. Y además, creo que lo que yo solía pensar con respecto al avance hacia la superinteligencia era que íbamos a construir un sistema extremadamente capaz. Entonces, junto con ese sistema, iban a haber muchos desafíos de seguridad involucrados y ya sabíamos que esa era un área que iba a ser bastante inestable. Pero creo que ahora vemos un camino en el que, en gran medida, construimos herramientas y no criaturas, sino herramientas que se están volviendo cada vez más poderosas.

Y hay miles de millones, incluso billones de copias de estas herramientas que se están utilizando en el mundo para ayudar a las personas a ser mucho más efectivas y capaces. Gracias a ellas, la productividad de las personas puede aumentar drásticamente. Y a medida que va emergiendo la superinteligencia, no solo se desarrolla la capacidad de nuestra red neuronal más grande, sino toda la nueva ciencia que estamos descubriendo y también todas las cosas nuevas que estamos creando. ¿Y qué ocurre con las interacciones entre los billones de otros sistemas? La sociedad que formamos hoy en día es a partir de humanos asistidos por IA que utilizan estas herramientas para construir el conocimiento, la tecnología, las instituciones y las normas. Y ese enfoque de convivir con la superinteligencia me parece increíble en todos los aspectos y prepara un futuro mucho más emocionante para mí y para todos ustedes. Y espero que estén de acuerdo con que no esté todo centrado en un solo supercerebro. Al reflexionar sobre mi conversación con Sam, me sorprende lo dispuesto que está a abordar los riesgos que la IA podría plantear. Tal vez esto se deba a que aún hay mucho que no sabemos sobre la IA, porque se mueve tan rápido que es difícil, incluso, para alguien en la posición de Sam descubrir qué viene después.

Soy Azeem Azhar y has visto a Exponentially.