Curso de IA de Google para principiantes (Resumen en 10 minutos)

vas a aprender las bases de la Inteligencia artificial De dónde viene Qué es la tecnología que hay detrás y todo esto a través de un resumen que he hecho del curso de 4 horas de Google para principiantes si no tienes conocimientos técnicos Pero quieres saber más acerca de la Inteligencia artificial Quédate por aquí porque te lo voy a explicar de forma muy sencilla vas a aprender conceptos importantes como el Machine learning Deep learning y a generativa conceptos con los que entenderás qu es chat gpt gemini mid Journey por ejemplo leven labs herramientas que utilizas o

seguro que has utilizado Prepárate para aprender de forma Clara y concisa las bases de la Inteligencia artificial empezamos por lo más obvio Qué es la Inteligencia artificial Se podría decir que la Inteligencia artificial es una disciplina al igual que la física lo es en la ciencia la ia tiene como objetivo construir sistemas inteligentes capaces de razonar aprender Y actuar de forma Autónoma dentro de la Inteligencia artificial hay un campo que es el Machine learning aprendizaje automático dentro del Machine learning está el Deep learning aprendizaje profundo y el Deep learning se puede dividir en algo que

se llama modelos discriminativos y modelos generativos Espera espera No te asustes que lo acabarás entendiendo todo y luego están los llms los grandes modelos de lenguaje que también están dentro del Deep learning y justo en la intersección están las tecnologías que conoces como chat gpt Géminis Claude por ejemplo entonces teniendo esta estructura en la cabeza vamos a ver cada nivel en términos generales el Machine learning es una forma en que los ordenadores aprendan a hacer cosas sin ser programados explícitamente para ello Es como enseñarle a un ordenador a que pueda resolver problemas por sí mismo

consiste en un programa que usa datos para entrenar un modelo piensa que los datos puede ser cualquier tipo de información una imagen un vídeo un audio un email un nombre un teléfono luego ese modelo entrenado puede hacer predicciones con datos nuevos por ejemplo imagina que recopilas fotos de manzanas y naranjas que son los datos y las etiquetas según Qué fruta es cada una manzana naranja naranja manzana el programa usa esos datos para crear el modelo y que así pueda distinguir entre las diferentes etiquetas después del entrenamiento tienes un modelo que es capaz de hacer predicciones

es decir le puedes pasar fotos nuevas que serían nuevos datos Y este podría predecir si la foto que le pasas es una manzana o una naranja dos de los tipos más comunes del Machine learning son los modelos supervisados y los modelos no supervisados los modelos super visados usan datos etiquetados es decir datos que están categorizados un ejemplo parecido al anterior si le pasas fotos de animales las etiquetas podrían ser perro loro gato Elefante o por ejemplo esta vez los datos en vez de ser fotos son correos pues las etiquetas podrían ser por ejemplo spam o

no spam imagina que eres el dueño de un restaurante y tienes datos históricos sobre el total de la cuenta final y las propinas que dejan las personas además tienes todos esos datos etiquetados según el el tipo de pedido que es si es un pedido recogido o un pedido entregado entonces usamos todos estos datos para entrenar al modelo y de todos estos datos el modelo aprende que cuando el pedido es entregado la propina suele ser más alta o que cuando el total de la cuenta es mayor también la propina suele ser más alta y así una

vez entrenado al modelo puede predecir la propina que dejará una persona Según el tipo de cuenta que tenga y de si el pedido es entregado recogido los modelos sin supervisión no están etiquetados se trata de descubrir mirar a los datos que ten tenemos y encontrar patrones ver si los datos se pueden agrupar en este ejemplo tenemos frecuencia de compra y el gasto promedio se puede ver que el grupo de personas que está arriba gastan más pero van menos veces al supermercado el grupo que está abajo va más al supermercado pero gasta menos y se ve

también que no son datos etiquetados si fueran etiquetados habríamos cosas como por ejemplo la edad el género Qué productos compra ahora podríamos preguntarle al modelo Cuánto dinero se va a gastar una persona la próxima vez que vaya al supermercado si sale arriba sabes que gastará más y si sale abajo sabes que gastará menos un consejo otra diferencia entre los modelos de supervisión y no supervisión es que los modelos de supervisión cuando hacen una predicción lo comparan con sus datos de entrenamiento y si la predicción ha salido mal el modelo trata de aprender de los errores

e intenta reducir este error es como si le pasas muchas fotos de manzanas y naranjas y luego le enseñas una imagen de una manzana y te dice que es una naranja eso es un error cosa que los modelos de supervisión no hacen visto esto vamos con el Deep learning es un tipo de Machine learning que utiliza algo que se llama redes neuronales artificiales lo que permite encontrar patrones mucho más complejos que con el Machine learning y además es capaz de trabajar con una gran cantidad de datos las redes neuronales artificiales están inspiradas en el cerebro

humano por ejemplo las personas si quieren aprender lo que es una mesa lo hacen a través de la observación y la asociación lo que hacemos Es observar diferentes mesas vemos que tienen características comunes por ejemplo que tienen una superficie plana patas para sostenerla luego el cerebro agrupa toda esta información y se forma una idea general de lo que es una mesa pues las redes neuronales funcionan de forma parecida y se ven algo así se componen de nodos o neuronas interconectados que pueden aprender tareas procesando datos o haciendo predicciones está compuesto a su vez por capas

de neuronas que les permite aprender patrones más complejos y gracias a esto se puede hacer algo que se llama aprendizaje semis supervisado básicamente es entrenar a un modelo con datos tanto etiquetados como no etiquetados imagina por ejemplo un banco que tiene muchas transacciones en este caso los datos son las transacciones Y solo el 5% de esas transacciones están etiquetadas en si son fraudulentas o no fraudulentas entonces la red neuronal aprende de este 5% de transacciones que están etiquetadas aprende a identificar si una transacción es fraudulenta o no es fraudulenta y cuando lo aprende ya es

capaz de etiquetar al resto de datos de transacciones en este caso que no estaban etiquetados y decir si son fraudulentos o no fraudulentos otro ejemplo para que te quede claro imagina que quieres entrenar a una red neuronal para que aprenda a identificar si un correo es spam o no es spam le das al modelo miles de correos pero solo unos pocos están etiquetados en spam y no spam el modelo aprende de estos correos que están etiquetados aprende Qué características les hacen que sean spam o que no sean spam y luego aplica todo ese conocimiento que

sabe al resto de correo para etiquetarlos Y predecir si son spam o no son spam y de esta forma tienes una red neuronal que va etiquetando datos por sí sola Por así decirlo Y esto es útil cuando tienes una gran cantidad de datos Porque etiquetar todos los datos sería muy costoso y tardarías mucho tiempo muchos de los servicios que utilizas actualmente utilizan redes neuronales por ejemplo YouTube Spotify Netflix aprenden del contenido que se le sube a las plataformas los vídeos la música las películas aprende también de tus gustos y con eso hace predicciones de lo

que te podría gustar qué es lo que sueles ver en recomendados Pero espera que aú y más el Deep learning se divide a su vez en dos tipos el discriminativo y la ía generativa los modelos discriminativos aprenden de los datos etiquetados y pueden clasificar estos datos pues por ejemplo como hemos visto hasta ahora en clasificar si un email es spam o no es spam o le pasas fotos de perros y gatos y tendría que saber predecir si la siguiente foto que le pasas de un perro es de un perro y no de un gato y

ahora es donde entra la ía generativa Este término seguro que te suena más la ía generativa no clasifica datos sino que genera datos similares a partir de los que ya tiene volviendo al ejemplo de las fotos de los perros y los gatos las fotos ahora no están etiquetadas por lo que el modelo Busca ahora patrones en las imágenes los perros tienen dos patas las orejas hacia abajo entonces cuando alguien escribe Dame una imagen de un perro el modelo te da un perro nuevo basado en los patrones que ya he aprendido previamente hay una forma muy

sencilla de saber si algo es sía generativa o no No es generativo cuando la respuesta es un número una clasificación o cuando es una probabilidad es generativo cuando la respuesta es en lenguaje natural en imagen o en audio los diferentes modelos generativos son y te van a sonar texto a texto como chat gpt de texto a imagen como m Journey de texto a vídeo como pical ABS o runway de texto a tarea para que hagan una tarea específica por ejemplo ahora en la ía de Google si pones @youtube puedes preguntarle cualquier cosa sobre un vídeo

de YouTube se ha avanzado mucho desde la programación tradicional hasta las redes neuronales y los modelos generativos en la programación más tradicional se tiene que codificar las reglas para distinguir por ejemplo que es un gato a la red neuronal le pasamos una imagen de un gato y cuando le preguntamos si es un gato o no debería de saber decirte que es un gato y con la ia generativa podemos generar nuestros propios datos imagenes [Música] audio vídeo texto y por último quedan los modelos grandes de lenguaje no olvidemos que estos modelos son parte del Deep learning

Y aunque hay una parte que se junta con la a generativa no es lo mismo un modelo llm para que lo entiendas es un modelo de lenguaje de Gran escala diseñado para comprender generar y responder el texto en un lenguaje natural de humano estos modelos se usan principalmente para resumir texto Traducir texto para chatbots y generación de contenido de texto correos artículos los modelos como chat gpt son entrenados con una gran cantidad de datos y aprenden patrones en el lenguaje con esos datos por lo tanto cuando le escribes algo es capaz de predecir lo siguiente

por ejemplo imagina que chat gpt ha sido entrenado con un montón de datos en los que en la gran mayoría se dice que el cielo es azul Chaz gpt aprende que el cielo es azul Y si tú le escribes el color del cielo es te va a responder que generalmente es azul chat gpt es un modelo de predicción y por lo tanto no tiene consciencia y no va a acabar con el mundo de momento modelos del lm los que ya te conoces chat gpt Claude gemini además a estos modelos también les puedes hacer fine tuning

tunear losos como un coche esto quiere decir que puedes a un llm y entrenarlo para que sea experto en un tema por ejemplo con leyes Se entrena el modelo con datos específicos de de leyes casos judiciales legislación para que sea experto en este área medicina por ejemplo Se entrena el modelo con datos médicos artículos médicos informes clínicos estudios para que sea un modelo experto en medicina Y así pueda ayudar a los médicos las empresas grandes gastan millones en hacer llms que luego venden a otras empresas como marcas de ropa hospitales bancos que no tienen la

capacidad para hacer un llm pero sí que tienen los datos para hacerles fine tuning ya hasta aquí el vídeo de hoy Espero que te haya gustado hayas aprendido un montón de cosas esto es la base de la Inteligencia artificial Aunque solo es el 1% la Inteligencia artificial es una disciplina es un mundo muy grande por descubrir y desde luego que si esto te ha gustado Y tienes ahora más curiosidad y quieres aprender más te dejo el curso gratuito de Google en la descripción del vídeo nos vemos en el siguiente con más y mejor hasta la

próxima y