Introducción a la IA generativa: herramientas, programas de IA, instrucciones y limitaciones de la IA

1. Introducción: Hola, chicos. Bienvenidos a mi clase de introducción a la IA Generativa Mi nombre es ellos Kumadas. Solo para darte una experiencia sobre mí, soy un ex empleado de Google con 19 años de experiencia en publicidad y llevo más de diez años enseñando publicidad, y enseño a muchos jóvenes profesionales, emprendedores y expertos que quieren meterse en esto. Quería aprovechar esta oportunidad hoy para hacerles saber qué vamos a cubrir en esta clase. Así que vamos a ver cómo la fundación de IA comprende las introducciones a la IA, los conceptos de la misma, dominios de varios tipos de IA que vamos a cubrir aquí, y luego veremos la transformación empresarial y profesional debido a la IA IA para empresas, para el trabajo, para la carrera, y luego mirar una gran cantidad de temas relacionados con la IA, preocupaciones y ética. También vamos a ver las capacidades, aplicaciones y herramientas e ingeniería rápida que puedes aplicar en IA. Espero que al final de esta clase, entiendas estos conceptos a fondo y seas capaz aplicarlos prácticamente en tu negocio y para tus clientes. Gracias una vez más chicos por revisar mi clase y estoy muy emocionada de verte dentro de la clase. 2. Introducción a la IA generativa: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, hablaremos entender qué es la IA generativa Si nos fijamos en la IA generativa como sugiere la palabra, se trata de una IA generativa, que es básicamente donde vamos a utilizar la IA para generar nuevo contenido. Se trata de una inteligencia artificial que ahora puede seguir adelante y generar nuevos contenidos que nunca antes existían. Eso es lo que queremos decir con IA genitiva. Si nos fijamos en la historia de la IA, la IA se ha utilizado diversas formas en nuestro día a día. Al igual que estamos usando la IA principalmente para, digamos en los mapas. Nos muestra cuánto tiempo se tarda en llegar a un destino específico. Nos dirá las tarjetas Tesla que se están ejecutando por sí solas. Por lo que hay diversas áreas donde ya estamos usando IA. Pero ahora, con la ayuda de la IA genitiva, puedes generar nuevo contenido también puedes generar nuevo contenido con la ayuda de esta tecnología Este contenido puede ser de varios tipos. Se puede generar texto, imágenes, videos, código. Todos estos ahora son posibles. Sólo para darte un ejemplo de lo que estamos tratando de referirnos. Si vas a Chat GPT, podemos generar texto. Puedo pedirle que me escriba un correo electrónico y puede generar eso. Podemos hacer uso de Dalí para generar imágenes, que podemos utilizar para nuestro negocio, para nuestro trabajo personal Entonces podemos ir al copiloto Github y podemos generar código. Entonces estos son los tipos generativos de IA que existen en este momento Y así es como vamos a hacer uso de ella. Así que en pocas palabras, si hay que decir que la IA generativa o inteligencia artificial generativa es una especie de tecnología de IA que tenemos ahora, que puede generar nuevos contenidos. Y ahí es donde puede ser un contenido de diversos tipos que posiblemente se pueda crear. Ahora es capaz de mirar los datos, el prompt que se le ha dado y en base a lo cual puede generar nuevos contenidos para nosotros. Ahí es donde el nombre proviene de la IA generativa, donde estamos usando la IA específicamente para generar nuevas cosas de contenido Espero que esto tenga sentido. los fundamentos de lo que es la IA generativa y cuáles son sus capacidades y en qué formatos vamos a ir la estamos usando ahora mismo en este momento 3. Demostración de IA generativa: Hola, chicos. Bienvenidos a esta sesión. En esta sesión veremos algunas de las herramientas generativas de IA que podemos usar para generar nuevo contenido Entonces vamos a ver cómo podemos hacer uso de, digamos, ChR GPT para generar texto, escribir un poema o imagen a texto Veremos cómo podemos generar texto a través una imagen y la traducción también. Entonces veremos, digamos, difusión estable o cualquier otra herramienta que podamos usar para generar imágenes, texto a imagen. Entonces echemos un vistazo a esto. Lo primero que queremos hacer en Cha JBT es principalmente crear escribir un poema Digamos que le damos un prompt específico donde le estamos pidiendo que escriba un poema celebrando la llegada de la temporada primaveral, específicamente le hemos dicho que lo mantenga a diez líneas. Ya ves que va a seguir eso y también nos ha generado un poema, un nuevo contenido que nunca ha estado ahí en este mundo. Por primera vez se está creando bien. De igual manera, digamos que lo que queremos hacer es que queremos subir una imagen y ahora nos gustaría que la describiera. Entonces Simplemente, le estamos pidiendo que describa lo que ve en la imagen. Por lo que la imagen muestra a dos niños pequeños jugando al fútbol en un campo herboso al aire libre Un niño lleva camiseta blanca y pantalones cortos coloridos mientras que el otro lleva camisa polo celeste con pantalones cortos salariales. Para que veas que ha recogido cada cosa en detalle y explicándonos describiéndonos la imagen. Así también puedes hacer esto, generando nuevos textos a partir de las imágenes que tenemos a nuestro alrededor. ¿Bien? Y lo tercero es, que queremos es la traducción. Entonces digamos que le estamos pidiendo que simplemente traduzca este texto del inglés al español. También puede hacer eso. Ahora has visto tres formas distintas de generar nuevos contenidos con la ayuda de hangibty Ahora, digamos que vamos a la difusión estable y aquí le pedimos que genere una imagen basada en el texto que vamos a dar. Digamos que estamos dando este texto en particular, que está creando una imagen de un hombre tocando un piano. Le pedimos que cree que Situ esté creando la imagen para nosotros aquí. Puedes ver que ha generado la imagen, y ahora puedes cambiar el prompt, puedes modificar el prompt y cambiar la imagen así como según tu requerimiento. Espero que esto tenga sentido. Espero que seas capaz de entender la implementación práctica de cómo puedes usar estas herramientas generativas de IA para generar nuevos tipos de contenido según tus requerimientos 4. Inteligencia artificial (IA), aprendizaje automático (ML) y aprendizaje profundo: Y. Hola, chicos. Bienvenidos a esta sesión. En esta sesión, hablaremos sobre inteligencia artificial, aprendizaje automático y aprendizaje profundo, entendiendo qué son y cómo funcionan realmente. Entonces, si nos fijamos en la inteligencia artificial es principalmente un concepto de hacer que las máquinas piensen como humanos y actúen como humanos. ¿Bien? Esa es la idea de la inteligencia artificial. Entonces, lo que estamos tratando de lograr aquí es la inteligencia humana, que es de naturaleza artificial, que debería poder tener las capacidades como la inteligencia humana, donde pueda reconocer imágenes o video, comprender y generar texto, vencer a los humanos en los juegos, aprender de los datos a escala, conducir autos de manera autónoma Bien. Este es un concepto que entró en existencia, se puede decir 1965, idealmente, y ahora estamos viendo las salidas del mismo específicamente hablando. La inteligencia attivit es ante todo un tipo de inteligencia que estamos tratando de construir, que está a la par con la inteligencia humana y es capaz de dar ese tipo de salida, que la inteligencia humana puede hacer Ahora bien, si nos fijamos en cuando nos fijamos en el aprendizaje automático, el aprendizaje automático es principalmente donde estamos tratando entrenar nuestras computadoras para aprender de los ejemplos. Si nos fijamos en la programación tradicional normal que hemos visto hasta ahora, entonces habrá un dato de entrada. Hay un dato de entrada que damos, y luego damos algunas reglas nosotros mismos, que es el código que damos y en base al cual saldría la salida. Entonces aquí estamos escribiendo todas las reglas y en base a las cuales sale la salida. Pero en el aprendizaje automático, va a ser un caso en el que hay una tremenda cantidad enorme de datos de entrenamiento que se dan datos de entrada y la máquina aprende de los datos y da la salida más adecuada. Es aprender las reglas en sí, ¿de acuerdo? El ML básicamente muestra a la máquina miles de ejemplos y le permite encontrar los patrones en sí. Esa es la idea del aprendizaje automático que estamos entendiendo aquí. ¿Bien? Hay tres tipos de aprendizaje automático principalmente supervisado, sin supervisión y refuerzo Supervisado es donde aprende de ejemplos etiquetados. Entonces los datos están etiquetados, así que se entrena en eso y nos da la salida. Sin supervisión es donde encuentra patrones ocultos. Entonces, a partir de los datos de entrenamiento proporcionados, trata de encontrar patrones ocultos, y luego el refuerzo es donde aprende por ensayo y error. Con recompensas, al igual que entrenar a un perro. Entonces, la razón por la que importa es que la codificación tradicional que conocemos desde hace décadas no puede manejar complejidades del mundo real, y ahí es donde ML escala mucho porque aprende de los datos y se adapta a las nuevas situaciones que no somos capaces de predecir y mejorar más los datos Entonces esa es la idea del aprendizaje automático, cómo ayuda en el contexto actual. Ahora bien, ¿cómo funciona el aprendizaje? Entonces, tratemos de entender esto principalmente desde un ángulo completamente diferente. Así podemos tomar algunas impresiones de los niños, cómo aprenden los niños. Entonces, por lo general cómo va a funcionar es que los padres le mostrarán manzanas a los niños y ellos dicen, esta es una manzana. Ahora bien, el cerebro lo entiende, recuerda que un tallo de color rojo o verde, redondo, de forma brillante en la parte superior es una manzana ¿Bien? Y ahora, cuando eso se vuelve a mostrar, el niño es capaz de reconocerlo como una manzana. Y así es como sucede el aprendizaje humano. Imagina lo mismo que sucede con estos modelos de IA donde se dan datos de entrenamiento. Digamos, se proporcionan miles, millones de imágenes de manzanas, y ahora el modelo aprende de ese patrón que el color es rojo o verde, forma alrededor, textura, piel brillante. Bien, se hace referencia a tallo en la parte superior, y luego se muestra una nueva imagen, por lo que da la salida como manzana. El proceso de aprendizaje o el estilo de aprendizaje es bastante similar a cómo suele aprender un niño. Ahora bien, hay tres ingredientes principales que haríamos del aprendizaje automático, que podrás ver, que es que hay muchos datos de entrenamiento, que son principalmente millones de imágenes etiquetadas, documentos de texto, artículos, tablas estructuradas, datos, clips de audio, discurso, grabaciones de video, que se carga con. Y luego hay mucha potencia de cómputos, GPU, miles de GPU, granjas de computación en la nube de memoria de alta velocidad, consumo masivo de energía ocurre en esto y el entrenamiento paralelo distribuido, Y hay algoritmos. Entonces, obviamente, los algoritmos, que funcionan en esto también, como árboles de decisión, regresión lineal, redes neuronales, agrupamiento, aprendizaje por refuerzo Todos estos son parte de los ingredientes del aprendizaje automático, que ahora es capaz de crear un modelo de ML entrenado. Entonces aquí viene después de esto, que dice el aprendizaje profundo, que es principalmente las redes neuronales o transformadores. Esto también funciona muy similar a las neuronas de nuestros cerebros humanos. Al igual que si ves neuronas biológicas, entonces hay entrada que llega al cuerpo celular y en base a la cual se sale la salida del cerebro. De igual manera, en la red neuronal artificial también, en el aprendizaje profundo, se dan entradas y hay muchas salidas diferentes procesando lo que sucede y en base a las cuales sale la salida. Entonces esa es la parte de aprendizaje profundo en la que entra en la comprensión de las entradas se dan y en función de las cuales se proporcionan las salidas. Entonces ahora si lo miras en un diagrama n, la inteligencia artificial es la categoría más amplia Es la categoría más amplia, y en esta entonces viene el aprendizaje automático que comprende árboles de decisión, bosques aleatorios, y en su interior viene el aprendizaje profundo Entonces se puede decir que ML es principalmente un subconjunto de IA, y dentro de ML, luego hay aprendizaje profundo que se sienta allí, que es una red neuronal de múltiples capas que se está creando. Es principalmente útil para imagen, generación de video, lenguaje, generación de audio. Para todos esos fines, requerimos más datos y cómputos que el ML clásico. Espero que esto tenga sentido. Espero que entiendas ahora los conceptos básicos de inteligencia artificial, aprendizaje profundo, aprendizaje automático. Muchas gracias, chicos, por estar en esta sesión. Te veré en el siguiente video. 5. Explora ChatGPT: características y capacidades: Hola, sí. Bienvenidos a esta sesión. En esta sesión, vamos a ver algunas de las herramientas de IA y sus características y capacidades y cómo podemos hacer uso de ellas. El primero que vas a ver va a ser ChatGPT, que es principalmente una herramienta desarrollada por Esto está utilizando el LLM GPT cinco y por encima se diseña principalmente comprensión del lenguaje natural y la generación, que es más de una manera conversacional Entonces esto es algo que vamos a usar y ver cómo va a funcionar. Entonces la idea es que solo necesitamos ver sus capacidades ahora, entender cómo operan y cuál es el nivel del poder que embeben dentro Entonces echemos un vistazo a esto. El primero que vamos a ver es ChatGPT aquí mismo, esto es que usan el modelo LLM en el back end, y ahora podemos hacer un simple prompt por aquí y para el cual nos puede dar salida Digamos que estamos preguntando qué son los LLM, y ¿cómo funcionan? Ahora mira qué tan rápido son capaces de darnos la salida. el momento en que escribas dentro de menos de milisegundos, obtienes la salida aquí de una manera muy sistemática, obtienes toda la información debido a los millones de cantidad de datos en los que está entrenado en el back end Todos estos modelos han podido escalarlo a gran cantidad de usuarios por su sencillez, por la información detallada que es capaz de dar a los usuarios. Es por eso que tanta gente en todo el mundo ha comenzado a utilizar ampliamente las herramientas de IA. Sí, se puede ver que la salida se da aquí mismo. Bien. Aparte de eso, no sólo nos da la salida, que le dará información adicional. Además, va a preguntar que si lo puedo explicar en diferentes niveles, pueda hacer eso. Entonces se trata de ser lo más cooperativo, solidario posible con el usuario para que el factor de dependencia aumente, ¿verdad? La facilidad de usarlo, puedes verlo tú mismo por lo que es capaz de seguir adelante y darnos la salida de una manera tan personalizada. Ahora bien, si doy seguimiento a esto y digo, ¿cómo construyen? ¿Cómo se construyen? Entonces, lo que está pasando aquí es tan sencillo como cuando digo, ¿cómo están? Bien, lo conecta automáticamente con la conversación anterior. Entiende que estamos hablando de LLM en la conversación anterior, por lo que continúa con eso Las LLM se construyen a través de una combinación de, ¿de acuerdo? Entonces lo bueno es que puedes tener una conversación prolongada con la IA, y mantendrá un contexto de la conversación, las conversaciones anteriores, y en base cuales te va a dar la salida. Entonces las respuestas, las respuestas van a ser mucho más personalizadas a lo que realmente quieres. ¿Bien? Entonces esa es una superpotencia De nuevo hay otra gran característica de estas herramientas en la que recordará las conversaciones que has tenido y en base a las cuales nos dará la salida. También hay características que verás eventualmente en las que puedes dar tus antecedentes, puedes dar tus antecedentes, tu profesión laboral, todo lo que puedas alimentar, y básicamente estás afinando el LLM para darte salida en función del fondo que has proporcionado Bien, entonces todo eso es posible, pero ahora mismo, lo que estamos viendo es cómo estos LLM básicamente funcionan generalmente Entonces así es como va a responder el ChatGPT . De la misma manera, también tienes otra plataforma de IA que va a ser garrada Con Cloud, de nuevo, puedes hacer lo mismo. La fuerza de Cloud está principalmente en la codificación. Puede usar mucho esta plataforma para el uso de requisitos de codificación que pueda tener. Tomemos un ejemplo sencillo de cómo va a ser esto. Digamos que le estamos pidiendo que genere un código Python, que puede ejecutarse en AWS Lambda, leyendo un archivo CSV y guardarlo en otra ubicación S tres. Se va a generar el código para nosotros. También va a hacer la solución de problemas del código. Todo eso puede pasar aquí mismo. Entonces, la mayoría de las veces los usuarios están viendo que la nube es realmente buena con aspectos de codificación y puede funcionar muy bien con eso. El caso de uso está más inclinado hacia la codificación. Es así como podemos obtener el texto. Y aquí es donde entiendes la idea de la que habíamos hablado con respecto a GenaI de que no se limita solo a generar texto Se puede generar código. Puedes generar imágenes, videos, todo eso puede suceder con las herramientas GenAI Esta es la parte de Cloud que miramos de la misma manera, podemos hacernos Gemini también, que es la herramienta de IA de Google, principalmente, y también está mejorando día a día en estos momentos con toneladas de datos en la parte posterior de la misma. Tomemos un caso de uso diferente para esto. Digamos que lo estamos usando para la generación de imágenes. Nos va a ayudar a generar imagen. Esta es la generación de texto a imagen que puedes hacer con esta herramienta de IA. ¿Bien? Por lo que hay diferentes casos de uso. Ahora puedes identificar, te imaginas que puedes tener con estas herramientas donde puedes utilizarlas para generar contenido, con fines de marketing, para cuestiones de política de RRHH, documentación que requieras. Para todos esos escenarios, herramientas GenAI se pueden integrar extensamente y también se pueden utilizar de manera muy efectiva Aquí puedes ver así es como ha creado la imagen y podemos personalizarla también. Podemos hacerle cambios. Todo eso se puede hacer. Entonces mi idea es simplemente hacerle saber el potencial de estas herramientas y las diversas formas o casos de uso que puede tener en donde pueda usarlo solo para darle una idea justa de general todas estas herramientas que tenemos. Entonces en este momento, la mayoría de las veces la gente usa OpenAI CHN GPT para todos los casos de uso, lo que puedes hacer principalmente Y Géminis también hasta cierto punto, Géminis todavía está recogiendo mucho ahora mismo y actualizado mucho. Bien, la salida se está volviendo mucho, mucho mejor en estos momentos. Uh, Cloud se está enfocando principalmente. También está dando una gran salida, pero su fortaleza radica en la generación de código de codificación, por lo que también puede ser útil para eso. Copilot, como saben, es parte de Microsoft El back end tech, que tienen es OpenAI ChatGPT Pero está integrado con los productos de Microsoft, que va a ser Word, Excel, PowerPoint, así que puedes usarlo fácilmente ahí dentro, y también funciona muy bien ahí fuera. Aparte de eso, hay crecimiento y perplejidad, que también puedes usar Estas son de nuevo, otras herramientas de IA, um, que sin duda puedes probar y ver si se adapta a tu estilo de trabajo, a tu negocio también. Espero que esto tenga sentido. Espero que entiendas ahora cómo podemos usar estas diferentes herramientas de IA, sus capacidades, sus características en diferentes escenarios. 6. Por qué aprender IA generativa: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, entenderemos por qué deberíamos estar aprendiendo sobre genitivo A. Si lo miras, AA genitivo está en la mente de cada líder de la organización en este momento Empresas, gobiernos, y con interés vienen oportunidades. Las organizaciones buscan específicamente personas que entiendan la tecnología y lo más importante, tengan las habilidades para aplicarla prácticamente en el trabajo diario. Ahora, a diferencia de muchas de las tecnologías de tendencia anteriores, IA genitiva toca casi todos los roles en cada profesión en este momento Ahora por lo cual, se espera que las habilidades genéticas de IA sean más importantes en el futuro próximo, no solo para los informáticos, para todos, razón por la cual serán esenciales como procesamiento de textos, hojas de cálculo, incluso conocimientos básicos de negocios Ahora hay mucho interés nuevo sucediendo en este momento en la IA y las empresas están mirando más allá de la IA del cliente, la IA del consumidor. Una interfaz de chat booard es una excelente manera de demostrar el potencial generativo de IA Ahora, los casos de uso de la vida real están incorporando la IA generativa en los procesos existentes y convirtiéndola en una función integral de casi todos los flujos de trabajo empresariales Las habilidades que estarás adquiriendo como parte de estos programas que deberían ayudarte con tu carrera y ser muy aplicables a tu trabajo al instante. Hay muchos puntos positivos con aprender sobre IA genitiva porque esto va a ser útil no solo en tu trabajo profesional diario, sino personalmente también, puedes usar estas herramientas de IA para resolver muchos problemas, preguntas, consultas que puedas tener Las herramientas ayudan a llegar a las soluciones reales y dan pasos prácticos también. Para que puedas instruir a la herramienta de tal manera. Puedes solicitarlo de tal manera que te dé las salidas que realmente estás buscando. Entonces tiene mucho sentido que aprendamos sobre IA generativa, entendamos cómo usar estas herramientas de IA en diferentes esferas de trabajo En este curso en particular, vamos a ver cómo va a ayudar en nuestros roles de ventas en la profesión de ventas. 7. Capacidades de la IA generativa: Hola, chicos. Bienvenidos a estas sesiones. En esta sesión, hablaremos sobre las capacidades de la IA Generativa Si nos fijamos en las capacidades que la IA generativa tiene ahora, va desde la generación de texto, generación imágenes, generación de audio , generación de video, generación de código ahora, generación de datos también, y capacidades aumentadas también tiene ahora y también ayudando a la creación de mundos virtuales inmersivos también es capaz Ahora bien, si nos fijamos específicamente en las capacidades de creación de texto, entonces hay varios LLM que lo están proporcionando, que están capacitados en grandes conjuntos de datos y pueden generar texto similar al humano No, también son capaces de aprender patrones y estructuras a partir de conjuntos de datos y generar contenido y mensajes de texto contextualmente relevantes, textos o respuestas, conversaciones, explicaciones y resúmenes Algunos de los ejemplos de capacidades de generación de texto pueden provenir de OpenAI, ChatGPT y Gemini de Google Ahora bien, si miras específicamente las capacidades de generación de imágenes en este momento, los modelos generativos de IA aprovechan técnicas de aprendizaje profundo como Gans, que son redes generativas adversarias y Con la ayuda de estos, son capaces de generar imágenes de IA que son texturas realistas, colores naturales, detalles de grano fino Ahora, algunos de los ejemplos de generación de imágenes provienen de Style gan, que produce imágenes novedosas de alta calidad y alta resolución. Luego está el arte profundo, que produce un boceto de obra complejo y detallado, a partir de un boceto específicamente. Y luego está Dalí Dali produce imágenes novedosas basadas en descripciones textuales que le damos De igual manera, hay capacidades de generación de audio este momento con IA generativa, en donde es capaz de generar composiciones musicales, texto a voz, audio, voces sintéticas y voz con sonido natural Algunos de los ejemplos pueden ser Wave gan, que está produciendo formas de onda de audio sin procesar, sonidos realistas, habla, música, ruidos ambientales Hay Ais usenet abierto, que es capaz de generar música original en diversos géneros e instrumentaciones, y también puede crear composiciones clásicas para canciones pop También está el tachotrón dos de Google, que es capaz de producir DTS avanzado y puede producir discurso sintético altamente realista, tono, tono, modulación, pronunciación, ritmo Hay muchas capacidades generativas, lo que ha ocurrido en el pasado y está aumentando continuamente en este momento en este momento 8. Explorar la evolución de la IA generativa: Hola, chicos. Bienvenidos a estas sesiones. En esta sesión, discutiremos la evolución del VI genetivo a lo largo de los años Si lo miras, GenetiveEI comenzó a evolucionar paralelamente al avance de la IA tradicional Permaneció latente por más de 20 años, pero luego fue impulsado por GANs y VAEs específicamente, y ahora se ha preparado para dar forma al futuro Por lo que se logró un avance significativo en la creación de contenido. Entonces, en los avances de la misma, los primeros modelos GenAI tuvieron algunos problemas con la coherencia y la calidad ¿Bien? Entonces GPT tres, GPT cuatro, Dali, entregaron sofisticadas salidas de texto e imágenes y potencian la creatividad y la automatización Ahora bien, si nos fijamos en las capacidades genitivas, actúa como un genio creativo Puede crear imágenes, escribir historias, inventar nuevas ideas para nosotros. Se va a basar en un mecanismo basado en reglas. Se trata de sistemas restringidos a contextos y reglas predefinidos. Ahora, se utilizan modelos de aprendizaje automático y estadísticos donde identifica patrones en conjuntos de datos basados en aprendizaje semi supervisado, supervisado o de refuerzo Ahora también hay ciertas otras cosas. Los VA durante el periodo de tiempo iniciaron patrones de aprendizaje para generar resultados similares. Los Gans producen imágenes y arte altamente realistas. Se utilizaron modelos autorregresivos para generar contenido paso a paso, ideal para modelar el lenguaje Luego, el aprendizaje profundo y la red neuronal entraron en imagen que podrían detectar patrones en datos con capacidades avanzadas. También fue capaz de manejar datos formativos no estructurados Entonces el GAS, que son redes generativas adversarias, marcó el inicio de una nueva era de herramientas de IA donde podría crear nuevos Luego también hubo LSTM y RNN que se utilizaron, que ofrecerían capacidades avanzadas, que ofrecerían capacidades avanzadas, manejaban datos no estructurados y podrían procesar datos y podrían procesar Ahora, si nos fijamos en la diferencia entre la IA generativa y la IA tradicional, IA tradicional analiza o predice usando datos existentes La tarea común puede ser clasificación, recomendación urigreon Mientras que la IA generativa utiliza modelos GAS y transformadores, es capaz de crear nuevos datos que se asemejan a los datos comerciales Ahora bien, si nos fijamos en inteligencia artificial o la IA tradicional, evolucionó del nivel de orden básico al predictivo, mientras que la IA generativa crea salidas de calidad humana utilizando técnicas de IA Entonces, si ves desde 2017, una nueva era de tareas generativas ha evolucionado, aprovechando los modelos GPT de código abierto Ha utilizado modelos preentrenados para grandes conjuntos de datos y modelos de ajuste fino para tareas específicas Entonces, en general, si ves la diferencia principal, IA tradicional sigue instrucciones específicas, mientras que la IA generativa inventa y crea por sí sola 9. Aplicaciones de la IA generativa: Hola, chicos. Bienvenidos a las sesiones. En esta sesión, hablaremos sobre la aplicación de IA Generativa en diferentes sectores de trabajo En el primero vamos a ver la aplicación de IA generativa en TI y DevOps Entonces aquí, realmente mejora los procesos de entrega de software y la gestión de la infraestructura. Las capacidades de generación de código de la IA generativa reducen los esfuerzos de codificación manual y el tiempo dedicado a tareas repetitivas Por ejemplo, GitHub CoPilot y SNIC Deep code ayudan a hacer repositorios de código Se puede examinar eso, puedo examinar los estándares de codificación. También ayuda a generar casos de prueba sintéticos y datos de prueba. En el que puede simular el comportamiento del usuario, el impacto, la eficiencia del software, la confiabilidad y la robustez También hay herramientas como las herramientas APLA y las pruebas, que pueden garantizar una cobertura de prueba adecuada, aumentando la profundidad y diversidad de conjuntos de datos Además, aparte de esto, puedes monitorear y detectar anomalías como IBM, Watson AIOps y Mok soft AIOps Puede analizar registros del sistema, métricas y otros datos, como el mantenimiento proactivo. Puede ayudar a disminuir el inactividad y también a prevenir fallas críticas Ahora bien, si miras la aplicación de la IA generativa en el entretenimiento, en el arte y la creatividad, puede ayudar a generar contenido sintético como música, guiones, historias, videos, películas, videojuegos En el desarrollo de juegos, hay Houdini por efectos secundarios, que pueden crear juegos, animaciones, experiencias de AR y VR, personajes únicos con un comportamiento único Aparte de eso, también hay influencers virtuales y avatares, que ha llegado a lo largo del tiempo, que son capaces de interactuar con los usuarios y crear experiencias atractivas Luego está la aplicación de la IA generativa en la educación como generación de contenido, experiencias de aprendizaje personalizadas y adaptativas, aprendizaje experiencial simulado, todo lo que puede suceder ahora Puede ayudar a proporcionar traducción de idiomas como hacer que el contenido sea accesible para diferentes personas, calificar tareas, proporcionar comentarios instantáneos, crear recorridos de aprendizaje y estrategias de evaluación para apoyar ritmo y las fortalezas de los estudiantes, generar taxonomías que pueden ser el rendimiento y las preferencias de los estudiantes Aparte de eso, los algoritmos generativos también se utilizan en educación para detectar necesidades especiales y discapacidades de aprendizaje, crear planes de lecciones específicos, crear planes de lecciones específicos, rastrear el progreso de los alumnos a lo largo del tiempo También puede hacer rastreo de conocimientos en el que se puede hacer el ritmo de escritura y el contenido para las necesidades individuales Se puede proporcionar soporte de tutoría. Se pueden crear entornos virtuales y simulados. Se puede hacer educación inclusiva. El ejemplo, herramientas que son nulas J. Es un aprendizaje E generado por IA, que se puede hacer en minutos para el tema objetivo, que pueden ser videos interactivos, glosarios, resúmenes, todo lo que se puede hacer con la Espero que esto tenga sentido. Espero que entiendan las diversas aplicaciones de la IA generativa en diferentes sectores de trabajo 10. Herramientas para generación de texto: Hola, chicos. Bienvenidos a estas sesiones. En esta sesión, veremos diversas herramientas que podemos utilizar para la generación de texto en LLM Si lo miras, los modelos de lenguaje grandes se basan en patrones y estructuras aprendidas durante el entrenamiento. Estos LLM interpretan el contexto, la gramática y la semántica para generar coherente y contextualmente apropiado Dibujar relaciones estadísticas entre palabras y frases permite estos LLM adaptar estilos de escritura creativa para cualquier contexto dado Los LLM son la base de muchos modelos de generación de texto. Dos de estos ejemplos son transformador preentrenado generativo o el modelo GPT y Gemini AI Los modelos han evolucionado hasta convertirse en modelos multimodales que ofrecen múltiples capacidades Aprendamos sobre las capacidades de estos modelos a través de dos herramientas populares en este momento, que es SATGPT y Google Si nos fijamos en ATGPTs basados en un GPT como un modelo de lenguaje grande y utiliza procesamiento avanzado de lenguaje natural o PNL, que Bueno originalmente HGPT solo tomó indicaciones de texto como entrada para generar nuevos contenidos, con la versión más nueva, puede tomar tanto entradas de imagen como de texto ChagPT ofrece diversas capacidades para la generación de texto. También es capaz de conversaciones fluidas y basadas en el contexto. Ahora, de la misma manera, si nos fijamos en Google Gemini es impulsado por el modelo de IA Gemini de Google. Introduce una nueva familia de modelos de IA multimodelo y mejora el razonamiento, la comprensión y la generación. También garantiza la eficiencia y escalabilidad y optimiza la interacción multimodal sin interrupciones También es capaz de manejar diversos datos y tareas. Veamos un ejemplo práctico de cómo va a ser esto. Esta va a ser la interfaz Cha GPT donde podamos venir y vamos a dar un prompt general en donde estoy diciendo que he oído hablar del yo generativo y quiero aprender más Ella me va a dar mucho contexto sobre lo que es la IA generativa. ¿Cómo funciona? LLMs. Ella nos va a dar mucha información relacionada, lo cual es bastante informativo y proporciona la información correcta sobre. Ahora, además, puedo profundizar donde puedo decir que cómo puedo usar IA nativa para mejorar específicamente mis habilidades de narración Entonces ahora quiero desviarlo a un requisito de categoría específico, que son las habilidades para contar historias Entonces ahora me va a dar ideas en torno que desarrollen personajes más profundos, mejoren la escritura de diálogos, mejoren la escritura de diálogos, usen la IA para hacer una lluvia de ideas de mejores historias Bien, entonces me está dando algunas entradas prácticas que realmente puedo usar para mejorar mis habilidades de narración De la misma manera, también puedo pedirle algo aparte. Digamos que te estoy pidiendo que me ayudes con creación de diapositivas para demostrar las características de una plataforma de aprendizaje. Digamos que quiero crear ciertas diapositivas de ventas. Entonces me va a dar la estructura es realmente buena donde se descompone en diapositivas, título, subtítulo, incluir, y luego el problema que resolvemos El enfoque se da en el contexto que se da, que es para la plataforma de aprendizaje. Entonces me está dando todos los puntos necesarios para eso. Es así como podemos hacerlo útil. Otro gran uso es que puedes usarlo para aprender idiomas. Todo eso es posible, para que puedas convertir cualquier idioma inglés a cualquier otro idioma que quieras, y Chachi P puede hacerlo fácilmente por nosotros. misma manera, echemos un vistazo a Google Gemini, que también puedes hacer uso del que también puedes hacer uso donde puedes dar un prompt. Digamos, le estoy pidiendo que brinde un resumen de las últimas noticias sobre la guerra en Ucrania. Entonces me va a dar toda la información relacionada con eso. Puedes ver por aquí toda la información, la información más reciente que podemos obtener. De igual manera, si quisiera construir una estrategia torno a hacer una campaña de marketing digital para una marca de moda, así me puede ayudar con eso también. Entonces ahora le estamos pidiendo que brinde una estrategia de marketing digital. Así experiencias inmersivas e impulsadas por IA estrategia de contenido, autenticidad o estética, bien, comercio social y comunidad Entonces puedes ver que me está dando algunas estrategias específicas en torno al marketing digital, que puedo usar prácticamente para promocionar una marca en particular. Entonces así es como vamos a hacer uso tanto de las herramientas específicamente hablando. Y luego si miras más, así que al usar CHAPT y Gemini, tiene muchos beneficios Al igual que, proporciona resolución de problemas a través de matemáticas y estadísticas básicas , análisis financiero, puede hacer investigación de inversiones, presupuestación, todo lo que puede hacer También te puede ayudar con la generación de código. Ahora bien, si comparas CHATPT con Gemini, CHAPT es efectivo para generar respuestas dinámicas y el flujo conversacional está ahí en Mientras que Gemini es bueno, óptimo para trabajos de investigación, investigación en noticias de actualidad, información que desea sobre un tema en particular para todos esos fines. También hay otras herramientas generadoras de texto, que puedes usar absolutamente, por ejemplo, Jasper, que es útil para crear contenido de marketing para una marca específica También puedes usar writer como herramienta de IA, que crea contenido para blogs, correos electrónicos, SEO, metadatos y también anuncios en redes sociales. También existe copy.ai, que crea contenido en redes sociales para marketing y para descripciones de productos. También hay escribir Sonic, que ayuda a proporcionar plantillas específicas para diferentes tipos de texto. Hay currículum que clasificas también para generar resumen de texto, clasificación de También está la marca 24, que puedes usar para el análisis de sentimientos, y luego están Weaver y Yandex, que podemos usar para Así va a ser el texto la generación de texto, que podemos ver por aquí, que absolutamente puedes usar en todos estos AiTunes 11. Herramientas para generación de imágenes: Hola, chicos. Bienvenidos a las sesiones. En esta sesión veremos diferentes tipos de herramientas que podemos usar para la generación de imágenes. Los modelos de imaginación son básicamente aquellos en los que podemos generar nuevas imágenes, puede personalizar imágenes reales y generadas. Por ejemplo, digamos que queremos generar una imagen de un niño con un libro y luego cambiar la portada del libro en una imagen generativa Todo eso lo pueden hacer los modelos de generación de imágenes. Ahora hay varios tipos de ello. Uno es la traducción de imagen a imagen. Estás transformando una imagen de un dominio a otro. Ejemplo, esto puede ser útil para convertir bocetos en imágenes realistas, convertir imágenes de satélite en mapas, convertir imágenes de cámaras de seguridad en imágenes mayor resolución, mejorando los detalles en imágenes médicas Ahora, otras herramientas van a ser la transferencia de estilo y la fusión. Estos son útiles para extraer el estilo de una imagen y aplicarlo sobre otra. Ejemplo puede ser convertir una pintura en una fotografía. Luego está en la pintura. En la pintura es que estamos llenando las partes faltantes de la imagen. Tienes una imagen y hay algunas partes que faltan, por lo que esas pueden ser generadas por IA. Ejemplo, restauración de arte, forense, eliminación de objetos e imágenes de imagen no deseados, mezcla objetos virtuales en escenas del mundo real Después está afuera la pintura. El opintado es extender una imagen más allá de sus fronteras. Ejemplo puede ser generar imágenes más grandes, mejorar la resolución, crear vistas panorámicas. Todo eso se puede hacer. Entonces ahora desde Open AI, existe Dali que se basa en GPT, que puede hacer todo esto, puede generar imágenes de alta resolución en múltiples estilos También se pueden crear nuevas versiones, se pueden generar se pueden generar múltiples variaciones de imagen se pueden hacer. También utiliza en la pintura hacia fuera las características de la pintura. Después hay una difusión estable. Este es un modelo de código abierto que puede crear imágenes de alta resolución. Puede generar imágenes basadas en mensajes de texto. Se utiliza para la traducción de imagen a imagen en pintura y pintura. Luego está el estilo gan, que permite un control preciso para manipular características específicas, separa el contenido de la imagen y el estilo de la imagen Evolucioné para generar imágenes de mayor resolución. También hay otras herramientas como crayón, pick gratis y Pick Start, que también están disponibles para generar imágenes en diferentes formas También hay efectos de Foto y Salida, que ofrece varios estilos pre entrenados. También permite estilos personalizados. Luego está el punto de salida IO, que es una plataforma en línea que convierte las fotos en obras de arte. Y luego está Mid journey como plataforma, que permite la generación de imágenes lo que permite comunidades de generación de imágenes donde artistas y diseñadores crean imágenes usando IA. También permite explorar las creaciones de los demás. Veamos una de estas herramientas, que va a ser pick gratis. Este es el sitio web donde podemos venir a escoger gratis y podemos generar una imagen aquí. Digamos que ahora mismo le estamos dando un simple prompt con este prompt, va a ser generación de texto a imagen, lo que estamos tratando de hacer aquí. Entonces ahora se puede ver que ha ido adelante y nos ha generado esa imagen, un barco que navega en un lago tranquilo al atardecer, rodeado de frondosos árboles verdes y costa brumosa de esta manera particular Espero que esto tenga sentido. Espero que la gente entienda ahora las diversas herramientas que están disponibles ahora para la generación de imágenes con la ayuda de estas herramientas de IA. 12. Herramientas para la generación de audio y video: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, hablaremos sobre las herramientas que podemos utilizar para la generación de audio y video. Por lo que en esta IA generativa, las capacidades de audio ayudan a empresas e individuos, novatos o experiencia a simplificar procesos, dar vida a visiones complicadas Ahora las herramientas de generación de voz están disponibles aquí, que pueden ser herramientas de texto a voz que se entrenan en algoritmos de aprendizaje profundo, vastos conjuntos de datos de habla humana. Ahora, puede descomponer y replicar la pronunciación, la velocidad, la emoción, la entonación, también, y allí el habla con un sonido más preciso y natural ayuda a las personas con discapacidad visual, barreras del lenguaje, discapacidades barreras del lenguaje Hay herramientas de creación musical que puedes usar para escribir melodías cortas o riffs, sugerir o agregar instrumentos, componer una nueva canción, crear una banda sonora para videos de YouTube o Instagram, mezclar match Puedes mezclar y dominar y publicar plataformas de streaming. Luego también hay herramientas de mejora de audio, que pueden identificar sonidos específicos, agregar o eliminar sonidos no deseados como, por ejemplo, DScript o Audo AI También va a haber herramientas de video, herramientas generación de video que puedes usar como pasarela, que pueden transformar el video en nuevos estilos Utiliza texto, imagen o video como entrada. Ahora, también está Es US, donde puedes subir fotos o usar indicaciones de texto para generar videos. Entonces estas herramientas de video pueden grabar una narración, mejorar el audio, convertir el formato de archivo También pueden publicar un video, y hay herramientas como y hay herramientas como Syntesia que pueden crear Avatares personalizados Hay muchos modelos de generación de audio y video diferentes modelos de generación de audio y video que puedes usar y herramientas que puedes usar para generar videos y audio generados por IA . 13. Herramientas para generación de código: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, hablaremos sobre diversas herramientas que podemos utilizar para la generación de código. Por lo que los modelos de generación de código generan código basado en la entrada del idioma nacional. Basados en el aprendizaje profundo y NLT, estos modelos comprenden el contexto y producen código contextualmente apropiado Ahora bien, las capacidades de estos generadores de código son que puedan generar un nuevo fragmento de código o un programa Puede predecir líneas de código para completar código parcial. Pueden producir versiones optimizadas del código existente. Pueden convertir código de un lenguaje de programación a otro. Pueden generar resúmenes y comentarios para código. También pueden recomendar soluciones de programación para resolver un problema específico. Del mismo modo, en este GPT abierto AI como modelo de generación de codificación, sobresale en la generación de texto similar al humano, demuestra la capacidad de generación de código inmersivo Estas capacidades de codificación de GPT son más largas y se pueden generar códigos más precisos La codificación se puede hacer para desarrollar aplicaciones, sitios web o plugins pueden generar código para imágenes. Entonces, si nos fijamos, por ejemplo, cuando vamos a Chat GPT específicamente y escribimos, digamos, escribimos un código Python para generar un mensaje para saludar a una persona, así podemos obtener un código como este, que proporciona Además, te da la explicación de cómo funciona específicamente. Además, también puedes convertir el mismo código a otro idioma de esta manera particular. Ahora, con respecto a mirar la codificación con Gemini, ofrece generación de código en más de 20 lenguajes de programación. Proporciona paso a paso y comprensión detallada de cómo generar el código. Existen ciertas limitaciones de Cha PTI y Gemini para la codificación también donde no puede generar códigos grandes o complejos Puedo entender programación y sintaxis, pero no semántica. Por lo que su conocimiento se limita a los datos utilizados para su formación. Al igual que, por ejemplo, se vuelven anticuadas con nuevas versiones de frameworks y bibliotecas. Por ejemplo, el conocimiento de GPT 3.5 está limitado hasta septiembre de 2021. Entonces, por lo tanto, se pueden utilizar otras herramientas como GitHub co pilot, cuales pueden generar código para diversos lenguajes de programación y frameworks. Está impulsado por el Codex de OpenAI y desarrolla código basado en soluciones Se capacita en lenguaje natural, texto y código fuente. Se puede integrar con otros editores de código puede producir código que se adhiera a las mejores prácticas y estándares de la industria. Hay otras herramientas como poly coder también las cuales podemos usar, es un generador de código AI de código abierto basado en GPT Está capacitado en repositorios Github, escrito en 12 lenguajes de programación y proporciona una biblioteca de plantillas predefinidas Puede crear fragmentos de código de revisión y refinación. Aparte de esto, también hay asistente de código de IBM, que se basa en los modelos de IBM watson.ai Foundation. Se puede integrar con editores de código. Produce recomendaciones en tiempo real, características de autocompletar y reestructuración de código. Entonces estas son todas las diversas herramientas que podemos usar para la generación de código en este momento. 14. IA generativa versus IA agencial: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, hemos querido entender la diferencia entre IA generativa e IA agéntica Cuando miramos la IA generativa, son fundamentalmente sistemas reactivos Te esperan para hacer algo. Específicamente, esperan a que usted los pida. Y una vez que los haces el baile de graduación, su trabajo es generar algún tipo de contenido basado en lo que hayas incitado, el prompt que has proporcionado. Ahora están usando patrones que aprenden durante el entrenamiento. ¿Verdad? Entonces ahora cosas que puede generar, podría ser algún texto, podría ser una imagen o puede ser un trozo de código, puede ser un audio. Por lo que han aprendido las relaciones estadísticas entre palabras y entre píxeles y entre ondas sonoras. Y lo han aprendido de conjuntos de datos masivos. Entonces, cuando se proporciona un prompt, una IA generativa predice lo que debería venir después en función de su entrenamiento Pero funciona el trabajo termina en generación. Entonces, idealmente, su trabajo termina en generación. No toma para los pasos sin más entradas de tu lado. Por lo que depende en gran medida de qué tipo de aviso le vas a dar en base cuál toma esas acciones necesarias. Mientras que cuando miramos la IA agéntica, sistemas de IA agéntica, estos no son reactivos Son sistemas proactivos. Ahora, como una IA genética, a menudo comienzan con un prompt del usuario, pero ese prompt se usa luego para perseguir objetivos a través de una serie de acciones. Y un sistema agéntico básicamente pasa por un poco de ciclo de vida Entonces, la forma en que esto funciona es en primer lugar, percibe su entorno si quieres Y una vez hecho eso, puede decidir una acción a tomar. Una vez que decidiste esa acción, entonces puede ejecutar esa acción. Y luego una vez que esa acción ha sido ejecutada, puede aprender de esa salida y luego dar vueltas y vueltas todo con una mínima intervención humana. Ahora, ambos enfoques de IA a menudo comparten una base común. Y esa base común son los modelos de lenguaje grande o LLM, que nosotros lo llamamos. Los LLM sirven como columna vertebral para los chatbots, y sin embargo, en realidad hay otras herramientas que se utilizan para algunas de estas cosas generativas, modelos de difusión típicamente para imágenes Espero que esto tenga sentido ahora. Espero que seas capaz de entender la diferencia básica entre cómo opera una IA generativa frente a la IA agéntica 15. Introducción a los términos clave: Hola, chicos. Bienvenido a este módulo. En este módulo vamos a entender algunas de las terminologías clave que vas a ver mucho en la IA generativa Estos van a ser algunos términos que van a ser muy comunes y ampliamente utilizados cuando hablamos de tecnologías de IA, que pueden ser LLM, ingeniería rápida, incrustación, afinación fina, tableros de chat de trapo y últimamente Comencemos este módulo donde repasaremos cada uno de estos términos en detalle para entender simplemente lo que realmente significan y cómo contribuyen en esta tecnología de herramientas de IA que estamos utilizando de forma regular. 16. LLM (modelo de lenguaje grande): Sí. Bienvenidos a estas sesiones. En esta sesión, hablaremos LLM, modelos de lenguaje grande Entonces, ¿qué son los LLM, básicamente? Entonces lo que queremos entender aquí es cómo podemos hacer uso de LM. LM en realidad va a ser un modelo de lenguaje grande, con el que podemos usar para tener una conversación. Al igual que, puedes ver un ejemplo por aquí, que está relacionado con el chat móvil, que está sucediendo en un dispositivo móvil. Entonces aquí, también, ya se incorpora mucha tecnología de IA. Como por aquí, como pueden ver, dice, voy a la y luego da múltiples opciones, gimnasio, parque, o tienda. Entonces el LM predice la siguiente palabra automática. Entonces esa es la capacidad de un LLM donde puede hacer una predicción de la siguiente palabra misma manera va a ser con Chat GPT respondiendo una pregunta, en donde cuando le das una pregunta, es capaz de darnos la salida y es capaz de investigar al respecto y darnos salida de la misma manera Entonces esa es la idea básica de lo que es un LLM y en qué se diferencia de la IA generativa Entonces hablaremos de eso también. Entonces ahora si lo miras, LLM es principalmente AI entrenado para entender y generar lenguaje humano Entonces se está enfocando en la salida textual dada de manera conversacional Eso es un LLM del que hablamos, y va a hacer una cosa que es predecir qué palabra viene después Bien. Entonces, a partir de lo que se ha ingresado anteriormente, desarrolla la capacidad de razonar, explicar, traducir y resumir, y Esa es la idea de lo que básicamente hace un LLM. Ahora bien, si ves la mayor diferencia entre GNAI versus LLM, va a ser el caso de que con GNAI puedas crear nuevo contenido en Puede haber generación de imágenes, generación música, video, generación de código. Todo eso cae bajo la IA generativa. Pero cuando miramos los LLM, estos son modelos basados en texto donde está generando traducción, resumen, clasificación, análisis de sentimiento, reconocimiento de entidad nombrada, todo esto En estos solapamientos es que ambos van a ser chatbards también Aquí puedes escribir textos y preguntas y respuestas así puedes decir que todos los LLM son un tipo de IA generativa, que tenemos ¿Bien? Entonces con LLM, va a ser solo texto o tokens, y es salida basada en texto, lo que da, y una serie de modelos que tenemos ahora mismo es GPT cinco, Cloud Gemini, enfocada al lenguaje Está más enfocado en el lenguaje. Eso es lo que es LL. Bien. Ahora bien, cómo funciona principalmente. Este es el flujo de trabajo en donde se entrena en gran cantidad de datos provenientes de Internet, leerlo, que son libros, sitios web, artículos, papeles, conversaciones, repositorios de código Todos estos son en los que se entrena y luego entra en la red neuronal. Entra en la red neuronal, que es el transformador y en la que se procesa, básicamente, y luego se decodifica. Se decodifica en una salida que obtenemos en la plataforma. Entonces esa es la idea de cómo van a funcionar los LLM. Se basa en los datos de entrenamiento dados y luego la red neuronal del transformador que trabaja en ella y nos da una salida que se genera en base al entrenamiento. Ahora bien, los conceptos clave detrás de los LLM es que se basa en tres cosas principales, que es que tiene que haber algún nivel de preformación Entonces el pre entrenamiento, tal como lo entendemos se basa en un enorme corpus de datos de texto, billones de palabras de libros, web y código, grandes patrones de lenguaje como gramática, hechos, razonamiento, toma semanas de miles de GPU para procesar todo Después el tamaño y la escala. Entonces, debido a que hay un uso masivo de redes neuronales con miles de millones de parámetros, bien, cuando cuesta una enorme cantidad de dinero entrenar desde cero y en base a lo que también ocurre el escalado Y luego hay una afinación fina. La afinación fina está dirigida principalmente a entrenar la herramienta para dar para hacer tareas específicas o dar un tipo específico de salida. ¿Bien? Entonces aquí, puede afinar sus LLM, para darnos unos resultados específicos basados en nuestros requerimientos Entonces estas tres cosas juegan un papel crítico en el manejo de nuestros LLM Y ahora puedes ver que puede haber varios casos de uso para LM donde puedes usarlo. Se puede utilizar en la generación de contenido, que es para escribir entradas de blog, descripciones de productos, copias de marketing. Se puede utilizar para trabajar como booards de chat o asistente virtual como catering a una gran cantidad de atención al cliente, asistencia en reservas, co-pilotos personales de IA, luego traducción de idiomas Para que puedas hacer traducciones de varias maneras. Google, como la forma en que tenemos DeepL o Google Translate, también puede hacer eso Entonces tienes un resumen de texto. Si tienes reportes largos condensados, información complicada, jergas muy técnicas con las que puedes lidiar en el día a día, esos pueden simplificarse a través de LLM, y luego responder preguntas, lo que está impulsando principalmente la asistencia de búsqueda, tutores educativos, bases de conocimiento empresarial, sistemas de preguntas frecuentes que tratamos a diario esos pueden simplificarse a través de LLM, y luego responder preguntas, y luego responder preguntas, lo que está impulsando principalmente la asistencia de búsqueda, tutores educativos, bases de conocimiento empresarial, sistemas de preguntas frecuentes que tratamos a todos los que pueda manejar también. Espero que esto tenga sentido. Espero que entiendas ahora qué son los LLM y cuáles son sus casos de uso y en diferentes escenarios, cómo puedes hacer uso de ellos y qué hay en la parte de atrás de la misma Muchas gracias chicos por escuchar esto, y los veré en el siguiente video. 17. Demostración de ChatGPT: completación de la siguiente palabra y generación de texto: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, veremos una demo en Chat GPT, que es principalmente para entender la capacidad de la herramienta de IA para generar la siguiente palabra basada en el contexto dado anteriormente Echemos un vistazo a esto, cómo vamos a hacer esto. Lo que queremos ver específicamente el poder de generar texto, la siguiente palabra posiblemente con la ayuda de los datos que se han dado y se han introducido por aquí Vamos a darle un simple baile de graduación. Digamos que te estoy pidiendo que le des un aviso donde decimos, érase una vez un gato quiso. Y queríamos generar algo de contenido, queríamos convertirnos en el mejor chef del pueblo y se brinda la información. Se puede ver con base en el contexto que dimos, fue capaz de generar la siguiente palabra y la siguiente palabra más adelante. Ahora en esto, digamos que continuamos más puedo además continuamos más puedo además seguir basándome en el contenido que ha generado en el pasado y es capaz de hacerlo. Entonces ahora, digamos, lo que queremos hacer ahora es un caso de uso diferente donde queremos que ahora escriba un correo electrónico específicamente vamos a un colega basado en algún contexto dado. Entonces estamos diciendo que escriban un mensaje de WhatsApp a mi compañero, John, pidiéndole que comparta el informe del proyecto antes de las 10:00 P.M del día de hoy. ¿Bien? Hazlo educado. Entonces ahora he dado algo de contexto. Entonces está mirando el contexto se va a crear el mensaje de WhatsApp el cual se ha creado. Ahora también tenemos la opción por aquí donde podemos transformar esta mensajería en particular en un tono diferente. Entonces digamos que John es un amigo querido, así que queremos reescribir el mensaje de una manera amistosa y un tono divertido que queremos agregarle Entonces ya ves lo que está sucediendo aquí es que somos capaces de usar la herramienta de IA para generar la siguiente palabra como se ve aquí. Además somos capaces de hacer cambios en el contenido generado a partir de algún contexto dado, y ese es el superpoder de la herramienta donde puede generar nuevos contenidos basados en el contexto que se le proporciona Espero que esto tenga sentido. Usted es capaz de entender estas diferentes capacidades de la herramienta de IA en la que tenemos. 18. Incrustaciones: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, hablaremos un concepto muy interesante, que son las incrustaciones Entonces, como entendemos a estas alturas cómo funcionan principalmente las herramientas de IA. Pero una información importante que no hemos hablado va a ser el hecho que estas máquinas no entienden el texto. Entonces, ¿cómo son capaces de generar texto, verdad? Ellos sólo entienden los números. Entonces aquí es donde la incrustación entra en imagen, que es principalmente una forma de una representación numérica del texto Por lo que esto se vuelve súper esencial para que los modelos de IA comprendan y trabajen con los lenguajes humanos de manera efectiva. Entonces lo que va a pasar es, tomemos un ejemplo para entender cómo funciona realmente. Digamos que la frase es que como helado. ¿Bien? Ahora bien, esta es la herramienta no entiende la comprensión textual de ¿qué significa eso? Entonces lo que en el back end, lo que pasa es, esto se descompone en, se puede decir fichas. Bien. Entonces cada una de estas son fichas que van a ser cuatro fichas, yo como helado y nata. Bien. Eso es lo que se ingresa, y cada uno de estos tendría un número específico asociado a él. Que es donde se encuentra la red neuronal o transformador que tenemos, que hace su cómputo y genera estos números que luego se le dan a la herramienta Entonces cuando esto se alimente, es cuando entiende que quiere decir que como helado Es así como las incrustaciones ayudan principalmente a las herramientas de IA a comprender el lenguaje humano y en base a la cual es capaz de generar la siguiente palabra Entiende el contexto, entiende los antecedentes que se le dan, la información que se le da, y en base a lo cual luego nos da la salida, nos da la respuesta, nos da las siguientes palabras que se necesitan. Esto es muy crucial para que lo entendamos porque aquí es donde se llega a entender que estas herramientas de IA funcionan principalmente en números e identifica el lenguaje en el contexto de los números y en función del cual da sus salidas. 19. Afinaciones: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, hablaremos de otro concepto interesante que es el afinamiento Afinar un LLM, va a ser un proceso en el que estamos tratando de adaptarnos a un modelo pre entrenado para realizar ciertas tareas específicas que atienden a nuestro dominio, Ahora, generalmente con las herramientas de IA, lo que estamos tratando de hacer aquí es que estamos tratando de encontrar soluciones, pero puede ser un escenario en el que necesites una solución para un escenario específico. Digamos que vienes de un sector minorista o digamos sector tecnológico, o digamos sector automotriz. Y lo que requieres es una solución específica para un escenario al que te enfrentas en tu dominio específico. Y ahí es donde el ajuste fino y el LLM se vuelven cruciales. Ahora bien, hay tres formas en las que puedes afinar los LLM El primero va a ser autosupervisado, lo cual es principalmente una manera en la que proporcionas toda la información que tengas relacionada con tu dominio al modelo fundacional Son los datos completos de entrenamiento que le das al modelo fundacional. Analiza esos datos y en función cuales aprende de ellos, entiende su dominio, su experiencia y comprende sus áreas de dolor y en función de lo que ahora le brinda resultados personalizados. Entonces ahora aquí es autosupervisado, en donde es capaz de hacerlo por sí mismo por los datos de entrenamiento que proporcioné desde tu dominio, personalizados a tu dominio. El otro modelo que podemos usar aquí puede ser supervisado. Ahora aquí lo que está sucediendo es que vas a dar unos datos específicos de entrenamiento etiquetados detallados que tengan una entrada y salida. Das la entrada y das una salida esperada y en función de la cual aprende de ella y entiende tu escenario, tu experiencia en el dominio y en base a cuál te da la salida. Sólo para darte un ejemplo sencillo, una entrada puede ser tan genérica como digamos cómo encontrar un hueso roto. El resultado es X. Entonces ahora le das esto como ejemplo, etiquetó datos de entrenamiento a la herramienta y entiende que, bien, tengo que dar la salida de esta manera particular. Si la entrada se da de tal manera, tengo que dar una salida en este estilo específico, y ese es el modelo aprende y te da salida en función de su aprendizaje. El tercero que podemos usar aquí es el refuerzo. El refuerzo es un modelo donde das una salida basada en su entrenamiento y nosotros la puntuamos. Entonces ahora lo que está sucediendo es que el modelo te da una salida. Das una entrada específica, pides una solución en particular. Te da la salida, pero ahora lo que haces es anotarla, y ahora a partir de la puntuación, si la salida es mala, le das una puntuación baja, si su salida es buena, puede ser una puntuación alta, y ahora el modelo empieza a aprender de ella. Entiende que si se le dio una puntuación baja, trata de entender dónde cometió el error. Y en base a cuál de estos aprendizajes, mejora sus resultados en los próximos proms que le des Eso se convierte en refuerzo. Puede haber tres formas diferentes en las que puede comenzar a afinar su LLM y obtener una mejor salida de él Ahora veamos otro escenario en el que no deberías estar afinando En qué escenarios no debería estar ocurriendo el ajuste fino. El primer aspecto es que el ajuste fino no se trata de crear una inteligencia desde cero. Lo que queremos decir con eso es que no se trata generar información desde el principio. Lo que estamos tratando de hacer aquí es que estamos tratando de afinar el LLM para entrenar al LLM para obtener una salida personalizada ¿Bien? No estamos tratando generar inteligencia desde cero. segundo lugar está aquí, ustedes vieron en los tres escenarios, en cada uno de los escenarios, tuvimos que proporcionar los datos de entrenamiento. ¿Bien? Entonces de ninguna manera, vamos a eliminar aquí vamos a eliminar el requisito de datos, ¿de acuerdo? Eso no es afinar. En tercer lugar va a ser el caso de que el ajuste fino no siempre nos dará la salida we Cada interacción que vas a tener con la herramienta de IA va a ser única y en función la cual las salidas van a ser únicas. Va a haber un solo universal, nunca habrá una sola solución universal de la cual sacarás de ella. Entonces, por último, como viste, este va a ser un proceso. No va a ser un proceso mágico de una sola vez, sino que se necesitan iteraciones continuas para alcanzar una salida específica deseada No va a ser un caso en el que des un solo prompt y obtengas la salida deseada en la primera vez en sí. Se necesitan iteraciones continuas para que afine sus proms y en función de los cuales obtenga los resultados deseados Espero que esto tenga sentido. Espero que entiendas ahora el concepto de ajuste fino y por qué es necesario cuando intentas usar estos modelos LLM al máximo 20. Recapitulación: vista resumida: Mmm. Hola, chicos. Bienvenidos a las sesiones. Solo queríamos hacer un breve resumen de todas las cosas de las que hemos hablado hasta ahora. Un montón de cosas que hemos cubierto hasta ahora. Entonces solo queríamos hacer un breve resumen de eso. Entonces ahora entendemos así es como funciona todo el asunto donde viene un usuario y hace una consulta, ¿verdad? Esta consulta entra en los modelos de lenguaje grande, que pueden ser, digamos, ChatGPT o Google Gemini o meta o cualquier otra herramienta de IA, modelos LLM que tenemos Ahora bien, esto va a ser principalmente la red neuronal, los transformadores, los cuales van a mirar los datos de entrenamiento proporcionados y usar incrustaciones a partir cuales nos va a dar la salida, que es lenguaje humano comprensible, y obtenemos la salida Ahora aquí, también analizamos la parte de ajuste fino, que es principalmente donde afina los modelos LLM para obtener una salida específica deseada basada en su dominio específico personalizado Ahora que es donde mejoras, entrenas a los modelos para darte un tipo específico de salida. Además, hablamos del hecho que aquí hay ingeniería rápida involucrada, que es principalmente la forma en que usted solicita estas herramientas de IA, también decidimos el tipo de salida que obtiene de ella. También tenemos que mirar qué estamos incitando, cómo estamos incitando ¿Qué estamos haciendo preguntas vagas o preguntas específicas que va a decidir el tipo de salida que sacamos al campo Espero que esto tenga sentido hasta ahora lo que hemos estado cubriendo hasta ahora y en los próximos videos, vamos a ver además diferentes formas de usar genitivo 21. Generación aumentada por recuperación (RAG): Hola, chicos. Bienvenidos a esta sesión. En esta sesión, hablaremos de RAG o generación aumentada recuperable Entonces ahora que entendemos cómo funcionan los LLM. Entonces el flujo de trabajo de LLMs es así donde un usuario viene y hace una pregunta, que es una consulta, que es tokenizada, embebido, y entra en el LLM, donde funciona la red neuronal y se realizan las incrustaciones y en base a la cual Entonces este es el flujo de trabajo que conocemos de cómo funcionan los LLM. Ahora en esto, el problema es que hay un corte de conocimiento, en donde sabemos que estos LLM se entrenan hasta cierto conocimiento, que aún es 2023, que aún es 2023, y más allá del cual no tienen los datos de capacitación disponibles en base a los cuales nos puede dar la en base a los cuales nos puede dar Y además, lo que va a pasar es que no hay datos privados. Nuestros documentos internos, SOP, datos de clientes nunca aparecen en el corpus de capacitación Por lo que tampoco tienen acceso a nuestros datos personales privados. Entonces por lo cual, hay un bloqueo vial. Hay un bloqueo de cómo vamos a conseguir una solución personalizada Y ahí es donde entra en escena RAG. RAG es principalmente generación aumentada recuperable, donde recuperable significa en donde podemos encontrar los datos porque vamos a proporcionar nuestra propia base de conocimiento al LLM, y solo va a investigar eso No va a ir a ningún lado fuera de él. Va a recuperar los datos de la base de conocimiento que proporcionamos enriquecer ese prompt, va a aumentarlos en el prompt y exportarlos para nosotros y generarlos como una manera conversacional Entonces así es como va a operar RAG . En donde va a acceder a nuestra base de conocimientos específica y va a procesar que va a coincidir con toda la información luego darnos la salida deseada la manera comprensible. Esa es la comprensión básica de RAG o generación aumentada recuperable Ahora bien, si nos fijamos en cómo ayuda es porque ahora es el gasoducto va a estar hay cuatro cosas principales. Una son las fuentes autorizadas porque los datos son nuestros. Así que sin duda podemos seguir adelante y validar eso. Podemos dar fe de ello. que la información va a ser correcta. Va a estar bajo total privacidad porque no va a mirar ninguna otra fuente de información. No va a mirar Internet, por lo que los datos están completamente asegurados con nosotros. Y entonces obviamente se va a reducir la alucinación Nos va a dar una solución basada en la información que hemos proporcionado. Entonces las salidas van a ser mucho más identificables, realistas, lo que sin duda podemos aplicar Y luego se incluye la fuente, que va a ser el caso donde también va a hacer citación. Se va a referir a documentos específicos, líneas de partida y darnos eso por escrito para que sepamos eso de donde está recopilando esa información y dándonos la salida. Entonces, si lo miras, así, un RAG es mucho mejor, y así va a ser la estructuración Entonces, si lo piensas bien, tus documentos van a ser la fuente, que es, digamos, estos PDFs, que están siendo subidos al modelo LLM y en trozos Bien, entonces en trozos. Y luego se transforma en incrustaciones que van a ser números aleatorios esta manera particular, cuales se almacenan en el LLM en el back end Entonces ahora esta es una base cual se ha creado un vector DV está ahí en el que se están almacenando todos los documentos de su empresa las políticas. Ahora, cuando un usuario viene y hace una consulta, y de aquí viene incrustaciones similares, que son ahora, tratamos de encontrar una coincidencia con las incrustaciones que están disponibles en la tienda de vectores Una vez que se encuentra una coincidencia adecuada, se dan los resultados, los cuales se comparten con el LLM Ahora LLM sigue adelante y lo transforma en un lenguaje comprensible y se lo devuelve al usuario Así va a funcionar RAG . Lo importante a recordar aquí es que los resultados que dará el LLM estarán completamente basados en la documentación proporcionada por usted No va a ser algo fuera de él, y eso es lo que realmente queremos. Realmente queremos las soluciones personalizadas para nuestro dominio, nuestro campo, nuestra necesidad específicamente, y eso es exactamente lo que RAG corrige y ayuda también Espero que esto tenga sentido. Ahora tengo que entender cómo funciona el concepto RAG y cómo resuelve muchos problemas que enfrentamos con los modos de IA 22. IA agencial: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, hablaremos sobre el concepto de IA agéntica Entonces este es un nuevo tema próximo que está sucediendo mucho a nuestro alrededor ahora, y mucha gente, después de entender la ingeniería rápida de Gen AI, ahora está hablando mucho de IA agéntica Entonces intentemos entender de manera sencilla qué es exactamente la IA agéntica y cómo podemos aprovecharla Entonces tomemos un ejemplo sencillo. Entonces digamos que en un escenario del mundo real, estás planeando un viaje para ti y tu familia a, digamos, Nueva York. Bien. Entonces de manera tradicional, cómo lo vas a hacer es que vas a empezar a mirar qué vuelos tomar, qué hoteles te gustaría reservar, lugares que visitarás en Nueva York, otras cosas, atracciones, donde quieras ir. Entonces todo lo que vamos a planificar, e itinerario manual completo que vas a crear, comida que vas a comer, donde todo lo que vas a comer. Entonces todo eso, tendrás que hacerlo paso a paso. Ahora bien, todo esto, que estamos tratando de hacer nosotros mismos, puede ser subcontratado a alguien que pueda planificarlo por nosotros, ¿verdad Persona que pueda reservar nuestros vuelos, hoteles, que pueda reservar los lugares que queremos visitar en esa ciudad, bien, los lugares que queremos comer. Todo eso puede ser planeado por una persona en particular, que es principalmente en un escenario de la vida real que van a ser agentes de viajes. Imagina lo mismo que sucede con la IA agéntica. Entonces, una IA agéntica es principalmente un flujo autónomo o un flujo de trabajo, en el que se construye un sistema de IA donde este sistema de IA hará todo el trabajo por nosotros en nombre de nosotros Entonces donde se le da una meta específica, y con base en esa meta, se va a planificar, va a utilizar ciertas herramientas y tomar algunas decisiones para cumplir con ese objetivo en particular. Y esto va a ser completamente autónomo, lo que quiere decir que va a funcionar por sí solo y no requeriría mucha intervención humana. Eso es simplemente lo que queremos decir con IA agéntica, solo para darte un flujo de trabajo de cómo va a funcionar realmente esto Entonces, si miras en términos simples, IA agéntica se refiere a estos son sistemas de IA que pueden planificar cosas de manera autónoma, tomar decisiones y ejecutar ciertas acciones para lograr metas específicas dadas por nosotros sin tener que estar teniendo una intervención humana continua en ella Bien. Ahora, esto se puede implementar en múltiples flujos de trabajo diferentes en nuestro trabajo de varias maneras. Tal vez puedas tener una IA agéntica que se ocupe por completo de tus consultas de atención al cliente Es posible que tengas una IA agéntica que mira específicamente a las escaladas. Te imaginas cómo puedes hacer uso de esto en un escenario del mundo real, que puede tomar la carga de tu trabajo sobre sí mismo y luego el trabajo y darte lo deseado. Para darte una mejor idea de lo que realmente sucede en la parte de atrás. Entonces aquí se puede ver así es como va a funcionar. Entonces el usuario somos nosotros, en donde damos una entrada específica o un objetivo. Ahora, con base en el objetivo que se le dio, la IA agéntica va a planificar, comenzar a planear cómo comenzar, hacer toda la planeación de la misma Entonces va a tomar ciertas acciones específicamente, bien. Y tendrá algo de memoria, que es básicamente la base de datos. Por lo que los detalles como usted proporcionará su documentación, usted proporcionará su base de conocimientos. Vas a dar todos los recursos de tu empresa. Entonces ese es el recuerdo de la misma con base en la que va a tomar esas decisiones. Se va a cumplir ese objetivo en particular. Entonces va a usar ciertas herramientas. Se vinculará a digamos Internet, yo también puedo codificar, yo también puedo codificar, lo cual es necesario en ese proceso de finalización de meta. Se va a conectar a través de API. Todo eso va a pasar y luego se tratará de cumplir con el objetivo. Si no se cumple el objetivo, se iterará. Volverá a volver al mismo bucle. Nuevamente, la planeación va a cambiar. Tomará algunas acciones diferentes. Utilizará más detalles de tu base de conocimientos y luego intentará cumplir con el objetivo. El corazón de todo esto es su LLM. El LLM está funcionando, lo que en realidad está haciendo todo el trabajo por nosotros debido a su capacitación modelo y las herramientas para las que tiene Así va a suceder, qué es lo que queremos decir con IA agéntica Estos son los agentes de IA que nos van a ayudar a realizar ciertos trabajos que posiblemente se puedan automatizar y nos quita mucho tiempo. Espero que esto tenga sentido. Tengo que entender ahora el concepto simple de IA agéntica y lo que puede hacer por nosotros. 23. Proyectos - ChatGPT: Hola, chicos. Bienvenidos a esta sesión. Entonces en esta sesión, veremos otra capacidad de ChatGPT, que va a ser proyectos Los proyectos son principalmente una característica en la que puede continuar y personalizar el GPT para un requisito específico Digamos que quieres un tipo específico de GPT, que solo va a atender un problema específico que tengas en el trabajo en tu empresa o por una razón específica Ahí es donde podemos hacer uso de los proyectos. Veamos un ejemplo práctico de cómo podemos hacer uso de ella. Así que una vez que estés en ChatGPT, puedes ir por el panel izquierdo donde podemos crear un nuevo proyecto Entonces tomemos un ejemplo. Digamos que quiero crear un proyecto en torno a un tutor de matemáticas que atienda a niños de secundaria Quiero crear un proyecto donde en este proyecto en particular pueda responder consultas para consultas relacionadas con matemáticas de niños de secundaria. Entonces esto va a ser un tutor de matemáticas Y entonces lo que tenemos que hacer aquí es que tenemos que dar antecedentes. Tenemos que dar información, antecedentes sobre la herramienta, que es básicamente afinar el LLM para que actúe como tutor de matemáticas y respuesta basada en eso Eso se puede hacer de múltiples maneras. Una son las fuentes. Donde puedes venir, puedes agregar fuentes. Ahora estos pueden ser documentos. Puede ser un libro de matemáticas. Puede ser una documentación que hable sobre el perfil del tutor de matemáticas, todas esas cosas que podemos subir aquí y manteniendo esto en contexto, el proyecto va a funcionar. Va a responder a las consultas. Esa es una manera. La otra cosa que puedes hacer aquí es que podemos ir a la configuración del proyecto. En la configuración del proyecto, puedes dar los antecedentes. Podemos dar los antecedentes del tutor de matemáticas. Digamos que estamos haciendo eso aquí. Por lo que ahora se ha agregado el fondo por aquí. Entonces este es un tutor de matemáticas para niños de secundaria. Bien, van a responder consultas o conceptos matemáticos específicamente. Bien, también hemos dado algunas restricciones que restringen tu tutoría solo a temas de matemáticas de secundaria Y si no estás calificado para ello, simplemente puedes decir que no estás calificado para responder a una pregunta fuera de este tema. Así que también hemos creado algunas barandillas a su alrededor, y ahora se puede salvar eso y ahora se puede salvar Entonces ahora, con base en este contexto, el proyecto va a dar salida y dar respuestas a las consultas. ¿Bien? Entonces vamos a empezar con eso. ¿Bien? Entonces comencemos con una pregunta sencilla que es ¿qué es un número complejo? Por lo que va a comportarse como un tutor de matemáticas para niños de secundaria y dar respuestas de manera apropiada. Entonces puedes ver ahora nos ha dado respuesta paso a paso un ejemplo sencillo también dado, bueno, tipos de números complejos. Toda esa información se proporciona aquí mismo. También da un mini quiz, bien, lo cual también es evidente porque como tuitor, quieres evaluar continuamente la comprensión de tus alumnos mediante cuestionarios a la comprensión de tus alumnos través de cuestionarios. Entonces eso es lo que tiene y luego además te está dando información sobre lo que todo lo que también puede explicar, otros temas. Entonces podemos hacer eso. Veamos también algunos otros ejemplos. Digamos simple pidiéndole que explique el teorema de Pitágoras usando álgebra Se va a explicar el teorema de Pitágoras para nosotros ahora, simple ejemplo de triángulo tomado base en el que nos da Ahora se está comportando como un simple tutor de matemáticas, dando ejemplos simples, intuición visual Entonces ahora nos está dando algunos ejemplos visuales también para entender el concepto. La vida real usa, se puede ver, y luego una prueba rápida de nuevo. Por último, veamos otro. Lo cual puede estar explicando por qué la raíz cuadrada de dos es irracional, es un número irracional El objetivo es demostrar que esto es irracional y entonces ¿qué significa irracional La estrategia detrás de ella, luego da toda la salida. Espero que entiendas ahora el caso de uso de proyectos. Lo que puede hacer es que puede ser un GPT separado dentro de tu GPT principal, que tienes, que es atender a un requisito específico que puedas tener Ahora puedo crear un GPT para responder a las consultas de mis clientes Puedo crear un proyecto personalizado para, digamos, cuestiones técnicas que están ocurriendo en mi software. Bien, entonces puede haber GPT separados creados para temas relacionados con recursos humanos Entonces así, múltiples tipos diferentes de proyectos o GPT que puedes crear, que están atendiendo a problemas específicos, los cuales será experto en manejar una vez que le brindes el contexto, los antecedentes, los recursos detrás de él Espero que esto tenga sentido. Ahora tengo que entender cómo se pueden utilizar los proyectos en el cambio. 24. Limitaciones de los LLM y soluciones: Hola, chicos. Bienvenidos a las sesiones. En esta sesión, hablaremos sobre las limitaciones que vemos ahora mismo con LLM y algunas soluciones Entonces, la primera limitación que llegamos a entender aquí es el límite de conocimiento Como usted entiende, el LLM está capacitado para una cantidad específica de información, un marco de tiempo específico pobre Entonces en estos momentos, como pueden ver, el límite de entrenamiento es 2023 para el cual se capacita la información para la que está capacitado Se ha entrenado más allá de eso. ¿Bien? Entonces esa es una de las limitaciones que tienes de los LLM, y está trabajando en eso, hay muchas mejoras que están ocurriendo en este momento Pero ese es el mayor pedazo de conocimiento que tiene en este momento, que aún es 2023 La solución alternativa que se ha identificado es el RAG, que es la generación aumentada recuperable, que es principalmente donde se inyectan documentos en vivo cuando se está preguntando sobre la salida Entonces, en el momento de la consulta, las herramientas que llaman permiten a los LLM ejecutar búsquedas web Ese mismo momento, los LLM en realidad hacen muchas búsquedas web y en función de las cuales afina la solución y da la salida. Ahora bien, los otros problemas a los que se enfrentan los LLM van a estar en torno a la alucinación alucinación es muchas veces cada vez que se da la salida no conocen los hechos, entonces muchas veces las herramientas tienden a la alucinación, y por eso se está sugiriendo que necesitamos ser muy específicos con los prompts y restringir la herramienta de alucinar específicos con los prompts y restringir la La alucinación es muchas veces cada vez que se da la salida no conocen los hechos, entonces muchas veces las herramientas tienden a la alucinación, y por eso se está sugiriendo que necesitamos ser muy específicos con los prompts y restringir la herramienta de alucinar. Ese es uno de los grandes temas que ocurre con los LLM. Otra cosa es que las salidas ofensivas pueden salir a veces porque se entrena en muchos datos los cuales tienen este tipo de información, tiende a recogerla de ahí y da ese tipo de salida. También puede causar daño, puede ser armado para desinformación Bien puede ser armado para desinformación No obstante, las cosas están mejorando mucho, por ejemplo, GPT four versus, uh, GPT 3.5 ha sido mucho mejor en términos de alucinación en todos estos escenarios, y las otras herramientas también están mejorando a medida que los nuevos modelos van entrando por ejemplo, GPT four versus, uh, GPT 3.5 ha sido mucho mejor en términos de alucinación en todos estos escenarios, en medida que los nuevos modelos Ahora bien, hay mucho sesgo, también, verás toxicidad que verás en LLM en cuanto a salidas de sesgo de contratación, que llegamos a ver sesgo de género, sesgo cultural Entonces, al igual que en el sesgo de contratación, enumere los rasgos de un buen CEO. Bien, traduzca la enfermera que llamó. Bien, entonces estos van a ser todos los comentarios que estamos recibiendo con respecto a los LLM, donde hay mucho sesgo que está ahí, y es por eso que hay que poner en marcha procesos, lo que va a reducirlo lo que va a Y a lo largo del periodo de tiempo, podemos conseguir que se elimine. Entonces esto vuelve a suceder debido a los datos de entrenamiento sesgados que tenemos Los datos que vienen de Internet son posiblemente sesgados y por lo cual la salida es así, y esto requiere una amplificación de bucle de retroalimentación, que es básicamente RLHF que necesitamos en donde se usan Por lo que tiene que haber unos evaluadores humanos que van a investigar principalmente la salida y en base a la cual se necesita liberar la salida Entonces hablaremos de esto un poco más en el tema que viene. Aparte de esto, los sesgos históricos también están ahí en los datos Bien, históricamente, los datos a veces están más inclinados hacia ciertos temas, y eso es en lo que se entrenan las herramientas, y es por eso que la salida es así. Entonces se están haciendo muchos enfoques de mitigación en los que estamos tratando de hacer una capacitación imparcial que se está haciendo de estas herramientas para que los resultados sean mucho mejores Ahora hay escenarios en los que los LLM se comportan mal en términos de las principales conclusiones van a ser instancias reales que han sucedido Las conclusiones clave son las pausas de cárcel, el trabajo por trucos de juego de roles que anulan los entrenamientos de seguridad Los modelos ahora están endurecidos contra los patrones conocidos de fuga de cárcel, por lo que ahora se está volviendo mucho mejor. inyección rápida es un riesgo empresarial grave cuando las LLM procesan datos no confiables, como parte del flujo de trabajo agéntico También hay T de 2016 que demostró que la IA expuesta a aportes públicos adversarios absorberá ese comportamiento patrón también se está volviendo así donde las liberaciones tempranas, problema de seguridad expuesto, los parches de emergencia, luego la solución a largo plazo basada en RLChre Todo esto va a ser la forma en que las cosas pueden mejorar mucho con los LLM Los módulos actuales como GPT five, 5.2, que tenemos son significativamente mucho más robustos y están dando mucho mejor salida que los modelos anteriores Ahora bien, si nos fijamos en RLHF del que estábamos hablando, este es un Cómo funciona es que los LLM se entrenan previamente con datos de capacitación y generan respuestas en base a eso Una vez que se genera una respuesta, entonces pueden venir etiquetadoras humanas en las que se ubican las salidas de mejor a peor Con base en que funciona la salida, el resultado, es el modelo de recompensa. Recompensas el modelo, base en la salida que da y luego esa retroalimentación vuelve a volver. Al LLM pre entrenado. Entonces de esta manera, lo que pasa es poco a poco, lo que ves es que se ven entrando mejores respuestas y el bucle continúa de esta manera particular. Entonces esa es la idea de usar esto, y este enfoque particular eventualmente ayuda a los LLM a darnos una salida mucho mejor en el futuro Ahora bien, si nos fijamos en la práctica en la práctica de la vida real, cómo va a ser uh, antes de que RLHF estuviera ahí, si alguien vino a ChatGPT y diera un baile de graduación, que es explicar el enredo cuántico, simplemente para un niño de 10 años, simplemente para un niño de 10 años, nos va a dar la salida de una manera específica, que no es tomar en que Conozco instrucciones siguiendo habilidades ahí, ignora el contexto apropiado del niño Todo eso estaba ahí. Pero ahora lo que han hecho la IA abierta lo ha hecho, en donde han incluido esta parte. En donde personaliza la salida. Entonces la misma pregunta cuando se le hace, es dar una salida que es imaginar que tienes dos morir mágicos aunque los separes por todo el universo, rodando uno instantáneamente te dice el resultado del otro. Por lo que ahora sigue instrucciones precisamente, utiliza analogía apropiada a la edad y mucho más útil en uso real Entonces ese es el impacto de la misma. Ese es el impacto de ello que ahora la salida está mucho más alineada con el requerimiento del usuario, y por eso la calidad de las respuestas es cada vez mejor. Espero que esto tenga sentido. Espero que entiendas ahora cómo LLM han mejorado a lo largo de un periodo de tiempo Y luego en esto, nosotros también como estamos hablando de ello también, ese enfoque humano en el bucle necesita ser aplicado, donde cuando un usuario hace una búsqueda en el modelo de IA y obtiene una salida, comprobamos el nivel de confianza de esa salida. Si el nivel de confianza es alto, entonces puede salir como salida directa. De lo contrario, si es baja, entonces tiene que haber un experto humano que entre en cuadro, que revise y valide esa salida y con base en la que se da la salida para que esto pueda ser aplicable en múltiples escenarios Esto se puede utilizar en diagnóstico médico, IA, revisiones de documentos legales, moderación de contenido, alertas de IA financiera En todos estos escenarios, HITL se puede aplicar para que haya una intervención humana que verifique la calidad de la salida y en base a la cual finalmente libere la salida correcta a la audiencia Espero que esto tenga sentido. Muchas gracias chicos por escuchar esto, y los veré en el siguiente video. 25. ¿Qué tan bien conoces tus LLM?: Hola, chicos. Bienvenidos a estas sesiones. En esta sesión queremos que entiendas lo bien que entendemos y conocemos nuestros LLM Si nos fijamos en los LLM que utilizamos actualmente. Pueden ser planes de consumo o en planes de negocios, que tenemos, mayoría de los planes de consumo que tenemos es donde se utilizan nuestros datos para la capacitación. Bien, como por ejemplo, HGT gratis o HGBTPlus, sus conversaciones son revisadas nuestras conversaciones son revisadas y utilizadas para la capacitación Mientras que cuando llegas a planes de negocios, como tienes equipo HGBT, empresa, API, coágulo para el trabajo o Gemini para espacio de trabajo, en tales escenarios, los datos no se utilizan Por lo tanto, debemos estar al tanto de qué planes estamos en se está utilizando la información personal para capacitar a estos módulos LLM Ahora bien, generalmente así es como van a costar los LLM a los proveedores, donde cuando el usuario ingresa tokens, esos tokens tienen precios específicos y en función de los cuales los LLM luego los procesa y nos da los tokens de salida Ahora, la mayoría de las veces, el precio de los tokens de salida es mucho mayor. Son de tres a diez X más que los tokens de entrada que entran. Y en base a qué proveedores del modelo LM, crean nuestros modelos de precios y para los cuales estamos realizando pagos. Se trata de algunos LLM, tasas actuales. Como pueden ver, estos son para Cloud en este momento, antrópico, que hay 5 dólares por millón, y así sucesivamente y así sucesivamente Y luego está GPT OpenEigemini, grok, Deep Seek. Estas son todas las entradas y precios de salida que puedes ver Y en base a la cual todos estos modelos han creado sus planes de suscripción. Ahora bien, ¿puedo evitar que LLM alucine hasta cierto punto estableciendo Se le puede dar el L&M y decirle al modelo que responda, no lo sé Crea esos rieles de protección , en los que evites que alucine tanto como El otro aspecto de ello es humano en el bucle, que es principalmente cada vez que sale la salida, es verificada por un experto. Después con base en el nivel de confianza de la respuesta, se toma en consideración la salida. Eso también se puede hacer. En tercer lugar está el juez LLM, que es principalmente tener un modelo separado para verificar los hechos Una vez que obtenga una salida de su modelo LLM, verifique eso, valide eso con otro modelo LLM para verificar de hecho si los datos eran correctos o Ahora bien, ¿el LLM nos dará la misma respuesta cada vez? No necesariamente. La redacción exacta generalmente diferirá, pero el significado general generalmente permanece igual. Entonces, en LM específicamente, lo que estamos viendo es que LMS predice el siguiente token a partir de un segmento de distribución de probabilidad El muestreo es principalmente probabilístico. Entonces lo que va a pasar es que vas a obtener el mismo significado, pero diferentes superficies, oración diferente. significado general puede seguir siendo el mismo, pero la elección de las palabras y la estructura de la oración serán poco diferentes. Entonces, si quieres consistencia, entonces tenemos que poner la temperatura a cero. Bajar la temperatura a cero hace que las respuestas sean casi deterministas Espero que esto tenga sentido. Espero que entiendas ahora los antecedentes de cómo funcionan los LLM y cómo nos impactan principalmente en términos de uso, y qué debemos tener en cuenta cuando estamos usando estos modelos específicos 26. Introducción a la ingeniería rápida: Hola, chicos. Bienvenidos a estas sesiones. En esta sesión, hablaremos de ingeniería rápida, entendiendo qué es la ingeniería rápida. Entonces, si lo miras, cuando interactúas con los bots de IA con estas herramientas generativas de IA, eso es lo que estamos tratando como indicaciones Las indicaciones van a ser comandos textuales que está dando a estas herramientas de IA particulares para obtener un tipo específico de respuesta Ahora bien, puede haber diferentes razones para hacerlo. Entonces lo estamos haciendo principalmente para la generación de texto, escritura creativa, generación de imágenes, generación de código Entonces se necesitan varios resultados, lo que estamos buscando idealmente, y eso es lo que queremos decir prompt prompting que estamos haciendo a las herramientas de IA Ahora bien, si miras cómo va a ser es el caso de que la idea básica que necesitas entender con ingeniería rápida es la entrada más detallada o un prompt que vas a dar a la herramienta de IA, mejor va a ser la salida de la misma. Si vas a darle un baile genérico a la herramienta de IA, la salida también va a ser genérica y puede haber mucha alucinación que lo que tienes que enfocarte es en hacer un uso correcto de estas herramientas de IA, ser tan específicos y al punto sobre lo que quieres preguntar con respecto a tu información, tu consulta, y eso es lo que das para que la calidad de salida h dependa de esa pieza en particular. Veamos esto en la práctica cómo estos difieren cuando das un prompt genérico versus prompts específicos Digamos en el chat Dipt empezamos con un prompt muy genérico en este momento, que es lo que es la IA Entonces cuando damos esto, se llega a ver toda la información. No estamos diciendo que la información proporcionada aquí sea incorrecta. Sólo estamos diciendo que va a ser en la escala más amplia, la salida se le daría a usted porque la consulta es de extremo muy abierto. Entonces ahora obtenemos la información. Ahora bien, esta misma cosa podemos retocar y podemos preguntar de manera específica, digamos atendiendo a una categoría específica Digamos que estoy dando esta información donde digo que soy un profesional de la salud, explícame qué es la IA al incluir ejemplos relevantes de mi campo. Lo que va a hacer ahora es que la salida sea personalizada, personalizada al requerimiento específico que tengo. Soy un profesional de la salud. Quiero saber sobre EI según mi campo. Entonces me va a dar datos sobre eso. Entonces ahora entendemos cómo funciona la IA en el cuidado de la salud. Ejemplos prácticos de salud para EI. La IA puede analizar todas estas cosas. Así que ahora soy capaz de entender mejor dónde la IA realmente puede contribuir en mi campo. Entonces ese es el impacto de ingeniería rápida que ve que un prompt específico da mucho valor frente a un prompt genérico. Ahora, aparte de esto, si nos fijamos, digamos, de nuevo, doy un prompt genérico, que es lo que es la energía solar, entonces otra vez, me va a dar una idea genérica sobre qué es la energía solar, el trasfondo de la misma, cómo funciona, sale toda esa información. Bien. Pero ahora, si doy uno específico por aquí, donde le doy algunas condiciones. ¿Bien? Entonces donde digo eso, imagina que eres periodista de noticias. ¿Bien? Eres periodista de noticias específicamente haciendo breves reportajes resumidos sobre fuentes de energía renovables. Cuando te haga una pregunta, dame respuestas en menos de 500 palabras. No quiero demasiado texto y deberían ser viñetados. He dado este entorno particular de autoexpectativa que he hecho. Ahora ha entendido. Ahora, en base a lo cual, ahora le voy a preguntar al respecto sobre la energía solar. Entonces cuéntame sobre la energía solar, su uso en el 2020 al 2030. Ahora si vas a ver la salida está personalizada. Estamos recibiendo información con viñetas, no demasiados verbos, uh, las palabras se usan tanto al punto con viñetas como necesitábamos se nos da ahora. Ahora, de la misma manera, lo que puedes hacer es si estás pidiendo alguna otra información, digamos por cualquier otra cosa, va a recordar los ajustes de expectativas que habíamos hecho. Nuevamente, los datos son menos texto y en viñetas. Así que esa es la idea de ingeniería rápida donde puedes personalizar tus indicaciones para obtener una mejor salida Entonces queda la idea de que queremos que sea conciso al punto Chris, específico, lo más detallado posible para que obtengamos la mejor salida de alta calidad de las herramientas. Entonces, también hay pocas mejores prácticas, que se pueden tener en cuenta con respecto a la ingeniería rápida, que es como entendemos ahora transmitiendo claramente el mensaje, la respuesta o la entrada que queremos dar. Nuevamente, necesitamos establecer contexto o se debe dar información de fondo, que debería ser un requisito obligatorio. Sin dar contexto, sin ninguna información de fondo, estamos filmando en la oscuridad. Estamos esperando una salida o una respuesta que pueda ser realmente vaga y genérica y la herramienta muy probablemente alucinará Equilibrando la simplicidad y complejidad. Entonces tenemos que asegurarnos de que no estamos dando demasiada información. Tenemos que mantener necesitamos mantener el tema de la pregunta, dar la información adicional necesaria, y no complicarla. Porque si lo haces complicado, entonces otra vez, la salida no será la salida deseada que estás buscando. Y luego, por último, nunca será un caso que esperes que le demos un prompt en particular y obtendremos la salida deseada en un libro. Va a ser un proceso iterativo donde continuamente das prompts y con cada prompt, mejoras la calidad del mismo y eventualmente poco a poco comienzas a obtener mejores resultados con cada uno de esos Espero que esto tenga sentido. Ahora entiendo cómo funciona realmente la ingeniería rápida y cómo tenemos que abordarla para que obtengamos los mejores resultados posibles de las IA. 27. Introducción rápida: Hola, chicos. Bienvenidos a esta sesión. Entonces en esta sesión, hablaremos de cebado rápido. Por lo tanto, el cebado rápido es un concepto que se refiere a la práctica de proporcionar alguna entrada inicial al modelo a la herramienta hat GPT antes de generar cualquier tipo de respuesta Por lo que esta entrada inicial realmente ayuda a guiar la herramienta hacia la generación de una respuesta que sea más relevante y personalizada para usted. Entonces, la entrada pretendida del usuario. Por lo que es muy crucial e importante que cada vez que estamos dando indicaciones a la herramienta HatGpt, estemos dando algún contexto, algún contexto, algún trasfondo de qué tipo de información es exactamente qué tipo de información estás buscando Como, por ejemplo, sin cebar, digamos, estoy diciendo, a dónde debo ir en mis próximas vacaciones Ahora bien, esto es algo que es súper genérico. Ahora, HattPT lo encontrará extremadamente genérico como entrada dada y le dará una respuesta muy genérica Me va a dar todo tipo de lugares alrededor del mundo, bien, e información sobre eso. Pero ahora piénsalo si le doy algo de contexto detrás de ello, ¿de acuerdo? Entonces digamos que estoy diciendo, me gustaría ir a mis próximas vacaciones. Me voy de viaje con mi esposa e hijos. La ubicación debe ser tropical. Me encantaría ir a una playa. Me gustaría un vuelo directo de mi casa a LAX, y tengo un presupuesto de viaje de $5,000 ¿A dónde debo ir en mis próximas vacaciones? Entonces, ¿ahora qué pasa? He dado algo de contexto. He dado algunos escenarios, cosas específicas que estoy buscando, mis intereses, mis gustos y disgustos, todo lo que he dado contexto Y ahora por ello, la pronta será la respuesta será mucho mejor, mucho más relevante y personalizada a mi particular necesidad. Entonces esto es a lo que nos referimos como cebado rápido. Veamos un ejemplo más. Digamos que estoy diciendo, por favor crea tres títulos potenciales de mi nuevo curso en línea que enseñe a las personas a usar la IA. Ahora esto vuelve a ser, súper genérico porque Chat GPT me va a dar todo tipo de títulos posibles, lo que sirve para este propósito Pero ahora, si le doy algún contexto, donde lo digo, por favor cree tres títulos potenciales para mi nuevo curso en línea que enseñe a la gente a usar la IA. Aquí hay un ejemplo de algunos títulos de cursos recientes. Por favor emula el estilo y el formato escrito de estos. Digamos que estoy dando algo de contexto, mis nombres actuales de cursos son masterclass de edición de video Edita tus videos como un profesional, clase magistral de cinematografía, el tipo completo de videografía Ahora cuando dé algún contexto como este, los resultados serán mucho mejores. La herramienta emulará el estilo de escritura en estos ejemplos particulares que he compartido y me dará respuestas basadas en eso Entonces así es como hay que tener esto en cuenta que cada vez que estás dando un prompt a hat GPT, tenemos que darle información de contexto con él también tenemos que darle información de contexto con él para que obtengas la respuesta más específica deseada de ella 28. 30 simples ideas iniciales: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, solo quería compartir algunas indicaciones sencillas que puedes tener a mano contigo mismo Tal vez puedas colocarlo en tu computadora, en tu sistema en alguna parte, lo que te puede ayudar fácilmente a obtener alguna información muy rápidamente de carga. Entonces echemos un vistazo a esto. Estas son unas 30 indicaciones que había esbozado aquí, que son bailes concisos y simples destinados a inspirarte y obtener información más rápida Y así va a ser donde tal vez, digamos, definir el siguiente término y dar una metáfora Elaborar sobre el propósito de algo, crear una plantilla para algo, construir un esquema para este podcast. Ayúdame a crear un presupuesto para las cosas que quieras. Sugerir algunas indicaciones de escritura creativa para comenzar. Lluvia de ideas sobre diez ideas para mejorar la redacción de la transcripción Redacte una lista de capítulos bien pensada para un libro sobre, digamos, un libro que estés escribiendo. Algunas recetas que utilizan estos ingredientes. Estas son unas 30 indicaciones, cuales puedes sacar una impresión y guardarla contigo mismo y usarla cuando sea necesario Espero que esto sea realmente útil porque entonces podrás obtener tus respuestas más rápido. No tienes que pensar mucho, solo puedes mirar esto, escribirlo y sacar las respuestas muy rápidamente. Muchas gracias chicos, por escuchar esto, y los voy a ver en el siguiente video. 29. Nuevas ideas y generación de textos publicitarios: Hola, Dice. Bienvenidos a esta sesión. En esta sesión veremos algunas de las indicaciones cotidianas prácticamente útiles que vamos a ver y practicarlas y verlas en la herramienta, cómo va a funcionar para nosotros Entonces estos van a ser indicaciones que van a ser útiles para nuestro trabajo diario y nuestra ideación Estos están diseñados para proporcionar un marco práctico para las personas que buscan mejorar rápidamente su productividad y producción creativa Entonces estos son algunos de los. El primero que vamos a ver es la lluvia de ideas nuevas, donde hemos creado esta fórmula, en la que decimos que estoy buscando explorar un tema en un formato particular ¿Tienes alguna sugerencia sobre los temas que puedo cubrir? Entonces tomemos algunos ejemplos de esto. Me interesa crear una página de Instagram que cubra viajes. ¿Qué ideas tienes sobre temas que podría incluir como destinos económicos y gemas ocultas para visitar? Otro ejemplo puede ser, estoy trabajando en un boletín que se centra en la tecnología. ¿Puedes recomendar temas que sean atractivos para mi audiencia, como los últimos gadgets y actualizaciones de software? Veamos esto en acción, cómo va a funcionar esto para nosotros. Digamos que estamos tomando este aviso en particular y usarlo en hat GPT y ver qué tipo de respuesta nos da. Entonces ahora va a mirar el prompt y darnos la información. Así que destinos económicos, gemas ocultas, bien, de lo que podemos hablar aquí, guías gastronómicas locales. Nos está dando desafíos de viaje, trucos de viaje, historias de viajes en solitario, viajes sostenibles. Estos son todos los diferentes tipos de ideas de página que estamos obteniendo ahora, que podemos explorar. Y ahora puedes sumergirte profundamente en él. Entonces, digamos que quieres explorar más sobre historias de viajes en solitario, puedes pedirle a Tat GPT que amplíe más sobre eso Entonces así es como podemos hacer uso de estos prompts muy rápidamente y obtener los resultados deseados Otro ejemplo que podemos tomar aquí es la generación de copias, que es básicamente otro prompt que hemos creado donde estamos diciendo que me interesa un tipo de texto que destaque los beneficios de un tema en particular. Ahora por favor escríbeme un número sobre ese tema. Ahora digamos que el ejemplo puede ser Necesito una campaña de correo electrónico que muestre las características de mi nuevo producto ¿Puedes escribir uno para mí sobre la facilidad de uso y asequibilidad del producto Otro ejemplo puede ser, me interesa una página web que describa los beneficios de mis servicios de coaching. ¿Puedes escribir uno para mí sobre el enfoque personalizado y los resultados comprobados de mi programa de coaching? Ahora podemos ver esto también cómo va a funcionar esto. Entonces nos va a dar la respuesta. Por lo que es tomar información de chats anteriores también y darnos toda la información. ¿Por qué elegir nuestro programa de coaching? Estrategia personalizada para tu negocio. Éxito probado con resultados reales, expertos, orientación, soporte continuo y optimización, lograr un crecimiento sustentable. Bien, listo para dominar tus anuncios. Entonces ahora también está dando un llamado a la acción al final de la misma. muy efectiva, muy estructurada Manera muy efectiva, muy estructurada de darnos la respuesta, cual estaremos esperando. Entonces este es el tipo de indicaciones diarias, chicos, que pueden empezar a mirar En el siguiente video, vamos a ver algunas indicaciones cotidianas más prácticas de este tipo que puedes hacer uso 30. Correos electrónicos de clientes, analogías y escritura masiva: Hola, chicos. Bienvenidos a esta sesión. Entonces, continuando con el video anterior, veamos algunos escenarios más diferentes de los prods prácticamente cotidianos Otro escenario puede ser de atención al cliente y al cliente. La fórmula rápida que se nos ha ocurrido es, quería actuar como asistente de atención al cliente que tenga una característica particular. ¿Cómo responderías a un texto como representante de nuestro tipo de empresa? Entonces ejemplo, quiero que actúes como asistente de atención al cliente, ¿quién es analítico? ¿Cómo responderías a un cliente que ha experimentado un error mientras usa nuestro software como representante de nuestro inicio tecnológico? O un ejemplo puede ser, quiero que actúes como un asistente al cliente que encarna la confianza y la empatía ¿Cómo ayudaría a un cliente con un problema de facturación como representante de nuestra compañía de servicios financieros? Entonces veamos algunos ejemplos de esto. Entonces digamos que estamos tomando el primero. Ahora puedes ver que está escribiendo la respuesta para nosotros por aquí y está pidiendo la información específica con respecto al error, mensaje de error exacto, versión del software. Toda la información requerida se solicita en el correo electrónico. De igual manera, veamos otros escenarios. Otro escenario puede ser generar analogías. Las analogías pueden ser realmente útiles cuando son temas complejos y es difícil entender el concepto Tales casos, una analogía realmente ayuda a simplificar el tema y entender mejor El aviso que estamos usando aquí es, estoy tratando de entender el concepto de un concepto en particular, lo que me ayudó a entender mejor este concepto al crear una analogía práctica y fácil de entender Por ejemplo, estoy tratando de entender mejor el concepto de fotosíntesis Por favor, ayúdame a entender mejor este concepto creando una analogía práctica y fácil de entender Entonces tomemos este ejemplo. Otro ejemplo es, estoy tratando de entender el concepto de optimización de motores de búsqueda. Por favor, ayúdame a entender mejor este concepto creando una analogía práctica y fácil de entender Entonces tomemos el primero y veamos esto. Entonces estamos tratando de entender el concepto de fotosíntesis, así que aquí lo está descomponiendo. De esta manera particular. Descomponer la fotosíntesis en un uso que sea sencillo de entender Imagina que tu planta es como una fábrica con energía solar. La analogía es que están viendo como una fábrica. El trabajo de la fábrica es hacer comida, pero en lugar de usar electricidad, usa luz solar. Así es como funciona. Ahora te está dando una analogía con una fábrica para explicar el concepto de fotosíntesis Esto es realmente genial porque esto va a simplificar muchos temas complejos para entender en cada esfera del trabajo. Otro ejemplo práctico indica ¿ podemos, chicos, creación de copias masivas? Entonces, la fórmula que estamos usando aquí es, por favor, llegar a una cantidad de contenido para un tipo de contenido para una plataforma que incluya algunas referencias. Entonces, por ejemplo, por favor, venga con ocho boletines por correo electrónico para mi sitio de inversión que incluya informes de la industria y análisis de datos. Por favor, crea cuatro guiones de video para un canal de YouTube de marketing que incluya opiniones de expertos e ideas sobre las tendencias de marketing digital. Entonces veamos el último Ahora nos va a dar cuatro guiones de video. Se puede ver que el guión de video se da con segmentos particulares, que es el narrador, intro, cuerpo Todo eso se da. Sección dos también, conclusión, luego Video dos. el guión completo de video específico con la estructura que se proporciona y los juegos de rol particulares menciona muy claro el guión completo de video específico con la estructura que se proporciona y los juegos de rol particulares. Entonces así es como estos proms cotidianos van a ser realmente útiles para entender en conseguir algún trabajo hecho, que será muy productivo para nuestro negocio Espero que esto tenga sentido. Entiendes el concepto de indicaciones cotidianas, indicaciones prácticas, que puedes usar Muchas gracias chicos por escuchar esto, y los voy a ver en el siguiente video. 31. Revisiones rápidas eficaces: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, queríamos ver cómo también podemos mejorar las revisiones o los prompts o los outputs que obtenemos de ChatGPT y ponerlo a través en un formato mucho La mejor parte de ChatGPT va a estar en contraste con cualquier motor de búsqueda que tengamos el buscador convencional como Google Chat TPT posee la capacidad de memoria, lo que básicamente significa que recuerda las conversaciones anteriores que tuvimos y en base a las cuales puede darte respuestas personalizadas Entonces ahora, una vez que obtengas alguna respuesta de ChatGPT, puedes ir a un seguimiento más allá de eso y luego puedes mejorar esas Estas son algunas de las formas por las que puedes hacer eso. Entonces, por ejemplo, una vez que obtengas la respuesta de ChatGPT, puedes pedirle a ChatGPT que ponga las palabras clave más importantes en formato negrita para que sepamos qué otras palabras clave importantes Puedes solicitarlo para organizar la información por fecha, ubicación, precio. Puedes pedirle a ChatGPT que consiga resultados más novedosos y poco comunes, posiblemente Se le puede pedir que proporcione unas imágenes adecuadas. Digamos que tienes la información en un formato moneda por punto, y ahora quieres que también tenga respectivos Imoges relativos Entonces ChatGPT puede hacer eso por nosotros. También, puedes pedirle que explique toda la respuesta en forma de nivel de un niño de 5 años para que pueda entender Otras cosas que puedes hacer es transformar todo el prompt, toda la respuesta en un formato tableau. Eso también es posible. Puedes pedirle a AGI que reescriba todo desde la perspectiva de un experto de la industria Se le puede pedir que lo escriba de manera formal o informal. Puedes pedirles que arreglen la gramática o cualquier hallazgo y reemplazo. Quieres reemplazar ciertos términos de la respuesta, también puedes hacerlo. Puedes pedirle que agregue algo de personalidad, algo de humor a todo el contenido. Yo puedo hacerlo. Uh, aparte de eso, puedes pedirle que escriba esto desde la perspectiva de o en la voz de tu autor favorito o de una celebridad de personalidad. Puede transformar eso de esa manera. Así se puede ver que hay muchas cosas que podemos hacer. También puedes pedirle que resuma todo en un solo tuit Puedes pedirle que amplíe este resumen a tres partes. Bien. Así que todas las respuestas que tienes se pueden modificar en múltiples formas diferentes. Puedes solicitarlo para comparar y contrastar la información más importante. Y entonces puedes pedir tal vez que solo enumere todos los mejores, diez conclusiones clave de ella Entonces otra cosa que puedes hacer es que puedes pedirlo desde un punto de vista experto. ¿Cómo lo mejorarías aún más? Después poniéndolo a través en una lista de viñetas. Hay tantas cosas que puedes hacer una revisión de tus respuestas que obtienes de ChatGPT, que pueden mejorar y mejorar aún más la calidad de la información que estás recopilando de ella Espero que esto tenga sentido. Entiendes este concepto de revisiones rápidas, que también puedes hacer con ChatGPT 32. Chain of Thought Prompting: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, quieres ver otro tipo de estilo de incitación, que puede ser incitador de cadena de pensamiento. incitación a la cadena de pensamiento es una técnica simple que puedes pedirle CHAIPT que explique la respuesta en un formato paso a En lugar de saltar a la respuesta de inmediato, quieres que ChatGPT te lleve a través de los pasos completos para llegar a esa quieres que ChatGPT te lleve a través pasos completos para llegar a Ahora va a trabajar en eso y darte una comprensión paso a paso de cómo llegó y llegó a esa respuesta que obtuviste. Entonces de esta manera, el entendimiento es mejor. A veces cuando nos interesa un tema en particular, nos gustaría saber el proceso, cómo se evaluó lo particular. Entonces en tales casos, este tipo de respuesta es muy útil. Por ejemplo, el formato, la fórmula prompt que podemos usar es que puedes dar tu pregunta, y luego solo puedes decir, pensemos paso a paso. Ahora ChatGPT te dará la solución en un formato paso a paso Como, por ejemplo, ¿cuál es el diámetro del sol? ¿Cuál es el peso de una molécula de oxígeno? Veamos esto en la práctica cómo esto marcará la diferencia. Entonces comencemos con primero sin nuestro prompt y veamos qué respuesta nos da ChatGPT Se puede ver simplemente que hemos saltado a la respuesta y nos ha dado la respuesta muy claramente, que está ahí. Pero ahora hagámoslo paso a paso. Ahora se puede ver que ha ido paso a paso donde comienza con la comprensión del tamaño del sol. El sol es una bola masiva de gas caliente y da una definición clara de comprensión del tamaño del sol. Ahora, ¿qué es un diámetro? También está definiendo cuál es el diámetro como una unidad a medir. Después midiendo el diámetro del sol. Es mirar ahora están llegando al punto en el que están tratando de ver el diámetro del sol como medir. Ellos están dando esa comprensión. Entonces el diámetro del sol, con base en estas observaciones, diámetro es de 1.3 millones. Se les ocurren las cifras que han dado y finalmente, lo están concluyendo con los laboratorios finales. De esta manera, la han desglosado en múltiples partes, definiendo cada parte, y luego uniéndolas a todas para llegar a la conclusión final. Esto realmente ayuda. Echemos un vistazo a otro. Vamos primero con la pregunta. ¿Cuál es el peso de la molécula de oxígeno? Ahora bien, en este caso, lo que está sucediendo es que automáticamente está tomando en consideración la conversación anterior y dándonos la salida en un formato paso a paso. Esto es lo que esperábamos por la metodología de incitación paso En donde nos está diciendo la molécula de oxígeno. La composición es lo que es tanto la masa del átomo de oxígeno, luego convirtiendo las unidades de masa atómica a kilogramos, resulta ser tanto. Ahora estamos obteniendo toda la información en un formato muy paso a paso. Espero que esto tenga sentido. Entiendes este tipo de indicaciones que también puedes usar para entender mejor las respuestas que obtienes, entender todo el proceso, entender todo el proceso, cómo ChatGPT procesó toda la información y te da Muchas gracias chicos por escuchar esto y los voy a ver en el siguiente video. 33. Sugerencias en formato tabular: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, vamos a hablar de otro tipo de estilo prompting que es el formato tabu También puede obtener respuestas en un formato tableau de ChatGPT con este tipo particular de solicitud Esta va a ser una forma en la que vas a dar una serie de indicaciones a ChatGPT, y te va a dar la información en ese formato en particular Esto permite a ChatGPT organización y presentación clara de los datos, facilitando a los usuarios analizar, comprender La fórmula va a ser donde vas a dar la pregunta primero, y luego puedes dar segundo prompt. Una vez que obtengas la respuesta para ello, puedes dar un segundo prompt, que es cuáles son las diferentes categorías que puedes romper tu respuesta. En para más descriptividad. Ahora, te adentras un poco más en ello y obtienes una respuesta relacionada con eso. Una vez que obtienes esa respuesta, entonces das tu tercer prompt, que ahora es crear una tabla que incluya tu respuesta original con estas categorías separadas en diferentes columnas. Entonces de esta manera, toda la información se transforma en un formato tabular Veamos esto en acción cómo se verá esto. Digamos que estamos tomando la primera pregunta, cuál es cuáles son los principales factores de crecimiento de nuestro canal de YouTube? La primera es que solo estamos haciendo una incitación inicial sin otras cosas adicionales, así que estamos obteniendo la información Ya, esto es en un punto por punto *** que nos fue dado . Obtienes la información. Ahora, lo que hacemos es que podemos hacer el segundo prompt. Pidiéndole que rompa la respuesta en más descriptividad. Ahora puedes ver que se está volviendo más descriptivo por aquí. Una vez que tenga esta salida con usted, puede solicitar el formato tableau para esta información. Te va a dar todas las respuestas en el formato tableau, específicamente con esta información fuera. Y eso sería mucho más fácil de entender, comprender y usar también Por lo que puedes ver aquí ha ido adelante y creado eso para nosotros categorías subcategoría descripción, De esta manera particular, se ha creado toda la tabla Este es el formato tableau de las indicaciones, chicos, que también pueden usar para obtener su información en cierto formato Si te sientes muy cómodo con Excel y los datos, quieres hacer mucho análisis de datos, puedes pedirle a ChatGPT que te dé la salida en ese formato en particular y luego se vuelve mucho más fácil para ti trabajar en Muchas gracias chicos por escuchar esto, y los voy a ver en el siguiente video. 34. Propuestas de cero, uno y pocos tomas: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, queremos hablar un tipo de estilo prompting que es breve prompting indicaciones cortas son básicamente un concepto en el que cuando estás dando tu prompt, puedes darle algún tipo de contexto también puedes darle algún tipo de contexto al prompt para obtener información más específica Ahora en esto, puede haber tres niveles. El primer nivel va a ser tiro cero, es decir, como puedes entender por el propio nombre, en donde estás dando un prompt sin contexto alguno, sin contexto, sin datos, sin pautas que le des a ChatGPT y ahora ChatGPT tiene completa mano libre para darte información El segundo puede ser un disparo, donde le estás dando un dato o pauta a ChatGPT, y en base a lo cual el ChatGPT producirá la Y el tercero que también puedes usar aquí es el prompt de pocas tomas donde das múltiples datos o pautas porque estás esperando un tipo de información muy específico de Entonces puedes hacer algunos disparos. Por ejemplo, en un escenario de realización, un prompt de tiro cero puede ser escribir un script de YouTube para mi canal de revisión tecnológica. Ahora esto es tan genérico y tan básico que puede ir en cualquier dirección posible y ChatGPT te va a dar todo tipo de Una toma puede ser usar este ejemplo una como referencia, escribir un guión de YouTube para Mi canal de revisión tecnológica, y ahora mira pocas tomas. Algunas tomas estarán usando estos ejemplos uno, dos y tres como referencia, escribe una toma de YouTube de cinco minutos en las últimas especificaciones de la cámara del iPhone para Mi canal de revisión tecnológica. Ahora tenemos dar cada vez más específicos porque hay algunos requisitos que queremos cumplir y en base a los cuales queremos ver la respuesta. Esto se llama una técnica de incitación corta que también se puede hacer uso de 35. Pregunta antes de la respuesta: Hola, Ajes. Bienvenidos a esta sesión. Entonces en esta sesión, hablaremos de otro tipo de incitación, que es preguntar antes de responder Esta es una técnica donde guias ChatGPT para pedir aclaraciones antes de dar una respuesta Esto realmente ayuda a garantizar que las respuestas del modelo sean mucho más precisas y lo más específicas posible. Entonces la fórmula que usamos aquí es el primer prompt que damos es que le decimos a ChatGPT que usted es un experto en el campo de la industria Te voy a pedir algunas tareas específicas para completar, pero antes de que respondas, quiero que hagas lo siguiente. Si tienes alguna duda sobre mi tarea o incertidumbre sobre entregar la mejor respuesta posible, siempre haz preguntas de viñetas para aclaración antes de generar tu respuesta. ¿Eso se entiende? Entonces este es el primer aviso que das. Una vez que das eso y ChatGPT lo reconoce, entonces pasamos al segundo prompt, lo cual es genial Mi pregunta es, tu tarea es esta, por favor haz cualquier duda que tengas para que pueda mejorar mi prompt antes de completar tu tarea. Entonces de esta manera, ahora te va a hacer las preguntas relevantes, y luego podrás responder esas preguntas para obtener una información muy personalizada, precisa, específica. Veamos esto en acción cómo se verá esto. Lo primero que vamos a hacer es que vamos a darle a esta púa, el primer prompt Digamos que estamos hablando una industria que es la consulta. Ahora entiende que lo ha reconocido, y ahora damos el segundo prompt. Entonces ahora con base en esto, nos va a hacer las preguntas. Se puede ver público objetivo, ¿quién es su cliente ideal para la consultoría? Estrategia actual, ¿qué estrategias de marketing y ventas estás usando actualmente? Consultoría poker, ¿cuál es la principal área de consultoría que ofreces? Objetivos, ¿cuáles son sus objetivos de ventas para los próximos seis a 12 meses? Branding y posicionamiento, ¿cómo te posicionas en el mercado? Presupuesto y recursos, ¿qué presupuesto y recursos están disponibles para los esfuerzos de mercadotecnia? Embudo de ventas, ¿tienes un embudo de ventas estructurado? Ahora nos ha hecho todas las preguntas relevantes que podemos responder. Podemos empezar a responderlo uno a la vez, público objetivo. Puedes seguir adelante y dar el resto de las respuestas de esta manera particular, dar todas las respuestas. Entonces, una vez que des tus respuestas, tomará esas respuestas en consideración para darte la respuesta más personalizada en base a eso. Espero que esto tenga sentido. Entiendes esta técnica que es preguntar antes de responder a las indicaciones, que también puedes usar con tra gibt 36. Indicaciones para rellenar en blanco: Hola, sí. Bienvenidos a esta sesión. En esta sesión, hablaremos sobre el relleno en el estilo de incitación en blanco, que también puedes usar Este es un formato que permite al usuario enfocarse en un aspecto específico de una oración o idea y fomenta el pensamiento más profundo. Entonces veamos la fórmula en sí, lo que podemos usar aquí afuera. Entonces comenzaremos primero con un prompt, que va a ser donde le digamos a chat GPT que eres un experto en crear prompts que generen crear prompts que generen las respuestas más concisas e ingeniosas ¿Qué detalles adicionales de viñetas puedo agregar a la siguiente solicitud para mejorar la salida? Mi pronta es que des tu pronta y luego una vez que obtengas la respuesta, en base a eso, vuelves a dar la segunda respuesta, que es la segunda pronta, lo cual es genial. Ahora convierte estas viñetas en un relleno en el formato en blanco, que puedo poner mi información.De esta manera, lo que estamos haciendo es que estamos tratando de obtener indicaciones más relevantes de Estamos pidiendo al propio ChatGPT que nos dé algunas indicaciones más relevantes, a que debería estar preguntando también a ChagPT y luego obtener mejores Veamos esto en acción como va a ser esto. Lo primero que vamos a hacer es que vamos a dar este aviso. El prompt que estás usando es, tengo $100,000 en ahorros y ¿en qué debo invertir Ahora bien, en base a esto, me va a dar las preguntas, ¿ Estás apuntando a un crecimiento a corto o largo plazo? Tolerancia al riesgo. ¿Te sientes cómodo con horizonte de tiempo de alto riesgo, tipo de inversión preferido Ahora me ha hecho esas preguntas. Ahora, en base a esto, voy a dar el segundo prompt donde estoy pidiendo que convierta esto en un relleno en el formato en blanco, que luego puedo llenar. Ahora me ha dado el relleno en el formato negro con ejemplos también. Puedo llenar esto y esta se convertirá en mi información particular la cual podré usar más para obtener mejores resultados. Este es otro tipo de estilo prompting, que sin duda puedes usar con HatGpt para obtener 37. Indicaciones de perspectiva: Hola, chicos. Bienvenidos a esta sesión. Entonces, en esta sesión, queríamos mirar otro estilo de incitación, que es el incitador de bombas de perspectiva Ahora aquí, lo que estamos viendo es este marco básicamente ayuda a ampliar su comprensión y proporciona una visión más completa del tema en cuestión Entonces ahora lo que sucede es, para un tema específico, estamos pidiendo a Chat JBT que brinde diferentes perspectivas de cómo mirar ese tema en particular Entonces, cuando te da eso, tienes una idea holística de información, y autorización sobre ese tema en particular. Entonces el entendimiento es mucho, mucho mejor. Entonces esto se puede hacer de dos formas particulares. Una es una perspectiva singular. La otra son múltiples perspectivas. Tan singular perspectiva es que se puede dar un baile de graduación, que es por favor escribir sobre un tema en particular desde la perspectiva de un punto de vista particular. Eso es directo y sencillo. La otra que puedes hacer es múltiples perspectivas donde le pides a Hagipt que escriba un argumento a favor o en contra del tema del tema que tienes desde múltiples perspectivas diversas Entonces esto incluye los nombres, el punto de vista de diferentes perspectivas, como también los puntos Veamos esto en acción cómo va a suceder esto. Entonces digamos que estamos viendo el primero con perspectiva singular. Queremos que Chad GPT escriba sobre kickboxer desde la perspectiva de un entrenador de kickboxing Entonces ahora nos va a dar una perspectiva de un entrenador de kickboxing, mejorando como kickboxer lo que se pueden hacer todas las cosas, perfeccionar tus fundamentos, construir acondicionamiento, mejorar tu defensa, desarrollar dureza mental, juego de pies y movimiento, incorporando pies y Puedes ver todas estas son sugerencias de nuestro entrenador de kickboxing, ¿verdad Ahora, lo mismo podemos preguntar desde una perspectiva diferente donde pedimos dar una perspectiva de un experto en anatomía humana. Entonces veamos qué tan diferente va a ser esto. Entonces, desde una perspectiva experta en anatomía humana, lo importante es optimizar tu postura y postura, involucrar tus músculos centrales, comprender el papel y las caderas de las caderas en el movimiento, mejorar la agilidad con tobillo y rodilla , movilidad, etc. Se puede ver cómo diversas perspectivas pueden estar ahí para un mismo tema. Esto puede ser interminable. Puedes pedir diferentes perspectivas, y al final de leer todo eso, obtienes una comprensión mucho mejor y más profunda del tema en particular que estás abordando. Espero que esto tenga sentido. Entiendes este estilo también. Muchas gracias chicos por escuchar esto, y los veo en la próxima. 38. Indicaciones críticas constructivas: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, queríamos ver y mirar un tipo diferente de estilo incitador, que es la crítica constructiva Ahora lo que queremos es que en esta en particular, este prompt pueda proporcionar retroalimentación objetiva y experta sobre su escritura, destacando áreas de mejora, y ofrecer críticas constructivas para ayudarlo a refinar y mejorar su copia. Entonces aquí la fórmula del baile de graduación que podemos dar es que queremos Chat JPT actúe como experto y crítico en el tema de su industria Ahora vamos a querer que critique nuestro contenido, que se da y me convenza de por qué es malo y me dé críticas constructivas sobre cómo se debe mejorar Para algún contexto, por lo que le das a tu producto y servicio los detalles del propósito de mi producto es este, le das a tu objetivo de contenido. Pensemos paso a paso, y quiero que abordes cada pieza de contenido individualmente, y aquí está mi contenido a la crítica Entonces ahora la idea es obtener algunos comentarios sobre nuestro contenido de Chat GPT como crítica, y en base a esa retroalimentación, luego trabajar en él y mejorarlo Entonces veamos esto en realidad cómo puedes usar esto de manera efectiva. Entonces digamos que estamos usando este prompt en particular, Así que después de esto, puedes seguir adelante y proporcionar tu contenido que tienes en su lugar, e iba a seguir adelante y criticar eso y darnos todos los comentarios particulares sobre él, que luego puedes incorporar Entonces esta también es una manera realmente genial de incitar, que puedes usar para que puedas tener a alguien que tenga mucho mejor conocimiento sobre el tema o servicio y te dé críticas constructivas al respecto 39. Sugerencias comparativas: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, hablaremos de incitación comparativa. Entonces, la incitación comparativa es tan simple como resaltar las similitudes y diferencias clave entre varios factores, que le ayudan a tomar decisiones mucho mejor informadas y obtener una comprensión más profunda de las fortalezas y debilidades de las dos opciones Entonces aquí, lo que hacemos es pedirle a At GPT comparar y contrastar los siguientes ejemplos de texto, delineando en una sola tabla las similitudes, diferencias, características cualitativas , factores cuantitativos, funcionalidad, claves para llevar y otros factores Y luego damos las dos piezas de cont. Ahora en base a lo cual lo analizará y nos dará la información en un formato tableau tanto para el tipo de contenido. Esto realmente ayuda a hacer comparaciones y la comprensión de ambos se vuelve mucho mejor. Veamos esto en acción cómo vamos a hacer esto. Vamos a dar el primero Este es el primer baile de graduación que estamos dando donde nuestro contenido va a ser este. Ahora, lo va a poner en un formato tableau, como puedes ver, filosofía empresarial. ¿Bien? Podemos ver filosofía de diseño, estrategia de producto , imagen de marca, innovación, todo eso, que podemos ver aquí ahora dado a nosotros de esta manera particular. Lo mismo se puede hacer con otro ejemplo también. Veamos otro ejemplo. Invertir en bienes raíces versus invertir en criptomonedas. Tipo de inversión, naturaleza de la inversión, niveles de riesgo, ROI, liquidez, volatilidad, dinámica de mercado, barreras de entrada. Podemos ver ahora que nos ha dado la diferenciación entre los dos tipos de contenido con respecto a las características, los temas que queríamos darnos. Esto es realmente útil, fácil de entender y digerir, comprender, y luego podemos hacer uso de él en nuestro negocio 40. Indicaciones inversas: Hola, Gins. Bienvenidos a esta sesión. En esta sesión, queremos que veas otro estilo de prompting, que es el prompting inverso Invierta la solicitud o la ingeniería inversa de la solicitud. Entonces de lo que básicamente estamos hablando aquí es cómo puedes seguir adelante y realizar ingeniería inversa en cualquier pieza de contenido para volver al prompt que generó ese contenido. Entonces, la intención de aquí es comprender el contenido que recibes, que ves ahora mismo, qué prompt puede generar ese contenido particularmente. Eso es lo que estamos tratando de realizar ingeniería inversa por aquí. Entonces hemos ideado dos fórmulas rápidas que puedes usar aquí para este propósito en particular, en las que puedes dar el prompt y esto ayudará a realizar ingeniería inversa el contenido para volver al prompt original que se le dio para sacar ese contenido. Entonces, si ve el primero es donde le pedimos a STIPT que actúe como un experto en ingeniería rápida que sea capaz de realizar ingeniería inversa con indicaciones basadas en el texto que se le proporcione Por lo que le damos primero este aviso en particular y configuramos todo el escenario espacial para AGPT que funcione como un prompt de ingeniería inversa a un experto incitador. Y luego una vez que StratPT lo reconozca, entonces podemos darle el texto particular, y realizará ingeniería inversa al prompt y nos dirá el prompt original que se le dio para ese contenido Esta es una opción. La segunda opción es prompt puede ser que estamos dando múltiples indicaciones diferentes a hat GPT para configurar la conversación Claramente, en donde primero decimos inicialmente que hablemos de ingeniería rápida inversa. Por ingeniería rápida inversa, me refiero a crear un prompt a partir de un texto dado. ¿Me pueden dar algunos ejemplos sencillos de ingeniería rápida inversa? Chat GPT nos dará algunos ejemplos. Entonces diremos, ¿se puede crear una plantilla de ingeniería de prompt inverso muy técnica? Lo que estamos haciendo es que estamos cebar la herramienta. Preparando la herramienta específicamente para tener datos históricos previos de conversación para que entienda mejor la ingeniería de pronósticos inversos Y luego finalmente, damos el prompt, que ahora es reverse prompt Engineer, el siguiente texto, asegúrese de capturar el tono, sintaxis, lenguaje y estilo de escritura del texto. Con estos dos enfoques diferentes, posiblemente podrás seguir adelante y realizar ingeniería inversa en el prompt y volver al prompt original que generó el contenido que tienes ahora. La intención de hacer esto es que una vez que obtenga el mensaje original, puede usarlo en otros productos. Entonces, si te encuentras un contenido realmente bueno en cualquier lugar, puedes usar ATGPT para realizar ingeniería inversa y llevarte de vuelta al prompt original que puede generarlo Ahora que tienes el prompt original contigo, puedes aplicarlo en otros productos, tus propios productos en tu propio negocio también. Veamos esto en acción cómo va a suceder realmente esto. Lo que vamos a hacer primero es mirar la primera opción. Vamos a seguir adelante y tomar el primer prompt y dárselo a ChatPT Diremos que el tipo de contenido es, digamos, una empresa tecnológica. Descripción del producto. Yo entendí. Bien. Y luego vamos a dar el segundo prompt. Genial el texto, me gustaría hacer ingeniería inversa es, y vamos a dar el ejemplo a partir de aquí. Digamos que el ejemplo es este. Este es el contenido del que nos hemos apoderado y lo que esperamos de ChachPTS nos da el prompt original para ello, lo que generará este tipo de Se puede ver que también ha generado el prompt particular, lo que nos ayudará a generar este contenido, italmente hablando Este es un enfoque, que puedes usar fácilmente aquí. El segundo enfoque, echemos un vistazo a eso también. En el segundo enfoque, iniciamos la conversación con esto donde decimos, entiende ingeniería pronta inversa, qué es. Entonces pedimos a Chat GPT que nos dé un ejemplo de ingeniería rápida Nos dará algún ejemplo de ingeniería rápida, ingeniería rápida inversa. Ahora mismo, todavía nos está dando el resultado para el primer prompt. Ahora estamos preguntando el segundo, pidiendo un ejemplo de una ingeniería rápida inversa. Ahora vamos a pedirle a AratGBT que cree una plantilla para ingeniería de prompt inverso Estamos cebar la herramienta. Estamos dando una gran cantidad de datos a hat GPT para entender desde ingeniería rápida inversa porque nuestra intención es pedirle que cree un prompt particular para el contenido original al final Ahora bien, este es el prompt final que queremos dar. Se puede ver que nos está dando la respuesta para el tercer prompt en este momento. Ahora podemos dar le pediremos a HAGPT que realice ingeniería rápida inversa el siguiente texto Digamos que este es un producto que tiene unas críticas muy altas, número de reseñas, buena calificación ya. Queremos aplicar ingeniería inversa al prompt. Queremos conocer el prompt original, que puede generar este tipo de titular. Podemos realizar ingeniería inversa para esto. Podemos realizar ingeniería inversa para la descripción del producto aquí mismo, múltiples cosas. Cualquiera que sea lo que necesite para su propio listado de productos, puede pedirle que realice ingeniería inversa y lo lleve de regreso al mensaje original Estoy tomando el titular para el momento. Yo he dado el titular. Y ahora te estamos pidiendo realizar ingeniería inversa ese texto original que está tomando. Ahora puedes ver que está generando el prompt de ingeniería inversa para nosotros. Esto lo podemos usar para generar este tipo de titular en el futuro. Ahora, una vez que tengas el prompt original contigo, puedes usarlo en cualquier producto. Simplemente puedes cambiar el nombre del producto por aquí y el tono de estilo, sintaxis sigue siendo la misma. Pero puedes usarlo en cualquier otro producto propio para las descripciones de tus productos, y escribirá en ese estilo en particular. Espero que esto tenga sentido. Entiende ahora el concepto de incitación inversa Muchas gracias chicos por escuchar esto, y los veré en el siguiente video. 41. Indicaciones de RGC: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, hemos querido mirar otro estilo de prompting, que es RGCpmpting que también puedes Entonces esto va a ser algo que es universalmente se puede aplicar a cualquier entrada o una salida pretendida que se quiera sacar de ella Puede ser un formato estandarizado que se aplicará en múltiples escenarios. Entonces, lo que queremos decir con RGC específicamente es una fórmula de baile donde estamos viendo un papel, resultado, objetivo, contexto y restricción Entonces rol, básicamente, vamos a darle un rol a Chat TPT, o acertar a DP persona como si fueras nuestro experto en marketing Entonces el resultado es porque eres un experto, hay un objetivo adjunto un resultado adjunto a él, que una salida deseada que debería darte. Y luego la meta, el propósito de la salida, ¿qué hará la salida por nosotros? Y luego el contexto, ¿qué eran? Y entonces las limitaciones serían limitaciones y lineamientos. Por un ejemplo, puedes ver por aquí, el rol es, eres un experto en marketing El resultado es crear cinco correos electrónicos que terminan con un llamado a la acción. El objetivo es impulsar las ventas de nuestro producto. contexto es que los correos electrónicos son para mi audiencia online de emprendedores. Y entonces la restricción es que los correos electrónicos deben ser amigables y dentro del límite de 200 caracteres. Por lo que este puede ser un formato fácil de un prompt, que puedes usar para cualquier tipo de escenarios con los que te enfrentes. Entonces veamos esto en ejemplo cómo va a ser esto. Veamos el último y podemos usar esto y ver qué tipo de salida obtenemos en Chat GBT para esto Entonces ahora se puede ver que CAGBT nos está dando los correos electrónicos y tomando eso en consideración que debe ser amable y menos de 200 palabras, es escribir el correo electrónico para nosotros. Con un llamado a la acción, únete ya y empieza a ver resultados. Eso es un llamado a la acción. Listo para hacer crecer tu negocio, toma tu lugar hoy mismo. Eso es otra vez un llamado a la acción. Podemos dar el enlace por aquí. Asegurémonos de que tu próxima venta ocurra ahora. Toma tu acceso aquí. Si estás listo para llevar tu negocio al siguiente nivel, haz clic aquí para comenzar. Y luego el quinto donde podemos dar otro rompecabezas de CTA, da clic aquí para Empezar ya Así que ahora puedes ver que este formato fácil puede funcionar en diferentes escenarios para ti, donde puedes dar todos estos componentes del mismo y crear un prompt muy efectivo para tu negocio. Espero que esto tenga sentido. Entiendes también este tipo de estilismo. Muchas gracias, chicos, por escuchar esto, y los voy a ver en el siguiente video. 42. Quiero que actúes como un estímulo: Hola, chicos. Bienvenidos a esta sesión. Entonces en esta sesión, queremos hablar otro tipo de estilo prompting, que puede ser, quiero que actúes como Y hemos visto esto también similares en los videos anteriores. Entonces este va a ser un marco donde queremos que Chat Tibet actúe de cierta manera, tal vez como un historiador o un biólogo o un Diferentes tipos de roles juegan lo que queremos que haga Chat Ti PT y en función de los cuales nos proporciona el out. Entonces podemos tener la fórmula de esta manera particular donde empezamos diciéndole a ChagPT que quiero que actúes como historiador o biólogo, y luego te daré cierta información sobre ese segmento particular Y luego con base en la que va a personalizar la respuesta y devolvernos la respuesta. Esto realmente ayuda porque prepara el escenario para HangptPersona, específicamente, y por lo cual es capaz de estar muy enfocado sobre el tema que está tratando, y el resultado es muy personalizado y da información muy específica Entonces veamos cómo va a funcionar esto en la herramienta. Digamos que este es el aviso que estamos tratando de darle, donde decimos eso, quiero que actúes como entrenador personal. Te voy a dar mis metas personales y profesionales. Luego crearás un horario de siete días para que yo siga con el fin de conseguir mis objetivos en formato tableau. Mis metas a corto plazo son mediar, meditar, trabajar, leer y trabajar en mis proyectos Mi objetivo a largo plazo es firmar nuevos clientes, ahorrar y ahorrar $10,000 en un periodo de seis meses Entonces ahora quiero que Cha GP recoja el papel de entrenador personal y en base a entrenador personal y en base lo cual nos da el rol estructurado, el horario particular, horario de siete días que puede crear para nosotros. Entonces podemos ver ahora que ha tomado eso en consideración y ahora creando el calendario completo orientado a objetivos de siete días para nosotros. Entonces esta es otra muy buena forma de incitar en la que le estás dando un papel a Chat GBT para juegue y en base a la cual le das tus especificaciones, tus requerimientos, tus limitaciones, tus características que quiere que incorpores, luego nos da la salida en base a eso Espero que esto tenga sentido. Entiendes también este tipo de estilo de incitación Muchas gracias chicos por escuchar esto, y los voy a ver en el siguiente video. 43. Aleatoriedad en la salida: Hola, chicos. Bienvenidos a estas sesiones. En esta sesión, hemos querido entender la aleatoriedad en la salida que obtenemos de estas herramientas de IA Entonces necesitamos entender el hecho que con las herramientas de IA como Chat GPT, las respuestas, lo que obtendrá de la herramienta no será lo mismo todo el tiempo Y vimos esto también en la sección anterior que la salida va a ser diferente todo el tiempo, y así es como que la salida va a ser diferente todo el tiempo, y así va a ser diferente todo el tiempo, se ha capacitado a la herramienta para dar respuestas para. La intención de todo esto es que queramos probar y ver diferentes tipos de respuestas. Entonces así es como se ha construido y entrenado la herramienta y se le han dado datos. Y es por eso que cada vez que veas las respuestas van a ser muy diferentes entre sí. Ahora bien, así es como va a operar, y tenemos que aceptarlo de alguna manera y convivir con eso y trabajar solo por eso. Ese es el estado actual de estos modelos o herramientas LLM que tenemos donde la salida va a ser diferente entre sí Se pueden constreñir dentro de una sección específica de respuestas que estamos recibiendo, pero no serán idénticas. Las respuestas siempre serán un poco diferentes entre sí y neu respuestas estarán ahí porque eso es lo que queremos ver con las herramientas de IA, la intención es siempre que queremos ver respuestas únicas, algo en lo que nunca hemos pensado, y eso es lo que se ha arraigo en las herramientas, y es por eso que las salidas siempre son aleatorias Entonces solo para darte un ejemplo sencillo de cómo va a ser esto, digamos, si le doy un prompt a Chat GPT donde digo que cuántas aves hay afuera de mi casa Ahora bien, esta es una pregunta muy abierta que estoy haciendo sin dar mucha información. Esto me va a dar un tipo de respuesta donde obviamente está diciendo que no tengo manera de ver fuera de tu casa. Bien, si quieres hacer una estimación rápida, me está dando algunos pasos ciertos que buscan y cuentan método, método sonido, método de foto. Hay varias formas en que me está ayudando a contar y a encontrar la solución yo mismo. Entonces esa es una solución, una respuesta que está dando. Ahora bien, si vuelvo a dar el mismo aviso , de nuevo, es ante todo, aceptando que puede hacerlo. Pero si quieres el número, tendrás que mirar, escuchar o compartir una foto. Otro tipo de salida. El primero fueron los pasos dados para averiguarme a mí mismo. El segundo es que puedo compartir mirar y escuchar o compartir un video o un pie. De la misma manera. Ahora bien, si vuelve a dar el mismo aviso, va a admitir que no puede hacerlo, y ahora mismo se desconoce el número de palabras afuera. Es solo darme la respuesta que desconocida, no se sabe hasta que la investigue y me muestre. Bien. Entonces así es como van a ser las respuestas donde las salidas van a ser aleatorias para los mismos prompts que damos Ahora bien, esto no es un problema técnico. Es la forma en que la herramienta ha sido construida y entrenada para estas aleatoriedades. Ahora, también hay un pro y una estafa para esto. Entonces, cuando estamos tratando de entender las cosas y estamos tratando de construir algo, y esa vez, esta aleatoriedad o diferentes tipos de respuestas realmente son útiles porque entonces porque estamos ejecutando nuestras ideas y queremos ver algo diferente, así que posiblemente eso pueda ser realmente útil Si estamos en una situación que se trata de un trabajo de investigación y quieres respuestas o soluciones específicas para hacer ese trabajo de investigación, entonces esta salida aleatoria podría no ser muy útil, ¿de acuerdo? Lo único que la herramienta puede hacer posiblemente es mantenerse dentro del ámbito de ese tema en particular y darte respuestas. No va a ser arbitra respuestas realmente vagas, sino que va a permanecer dentro ese dominio y darte respuestas dentro de ese Así es como tenemos que empezar a aceptar que la herramienta se va a comportar y trabajar con ella a nuestro favor. 44. Introducción a los casos de uso de GenAI: Hola, chicos. Bienvenido a este módulo. En este módulo, vamos a ver los casos prácticos de uso de la IA generativa en todas las industrias Vamos a elegir tres industrias específicas, que va a ser el desarrollo de software, retail y marketing donde podamos hacer uso de casos de uso GenetiveVi , veremos La intención de este módulo es principalmente que entiendas cómo podemos integrar la IA en nuestro segmento, en nuestro sector de trabajo y la comida para llevar sería el enfoque que podemos tomar desde aquí y aplicarla en tu propio dominio. Entonces, entremos en este módulo para entender cómo podemos hacer uso de la IA genitiva en diversas industrias y mejorar la calidad y productividad de nuestro trabajo 45. Desarrollo de software: Hola, chicos. Bienvenidos a esta sesión. En esta sesión veremos cómo podemos hacer uso de la IA en diversos sectores. Así que estamos empezando ahora mismo con el desarrollo de software. Entonces, si lo miras en el desarrollo de software, lo primero que obviamente podemos hacer ahora es comenzar a construir código. Para que puedas generar código desde cero, corregir errores, depuración, lo que puedes hacer, básicamente, optimizando el rendimiento También puedes integrar estas herramientas de IA, APIs con ID como GitHub Copilot, AWS code whisperer Entonces esto va a impactar realmente en términos de reducir el esfuerzo manual, habilitar a los desarrolladores cruzados porque ahora puedes construir códigos en cualquier idioma. Incluso si estás, digamos, especializado en Java, también puedes construir códigos en Python. Mejor práctica de código, detalles documentados que obtendrás con la ayuda de esto. La segunda fase de la misma va a ser la prueba. Una vez que se construye el código, un tiempo importante que dedicamos es probar el código, identificar escenarios de prueba, escribir casos de prueba detallados, generar scripts de automatización. Todo esto se hace de forma manual en este momento, lo que lleva mucho tiempo. Y ahora simplemente puede reemplazar esto con herramientas de IA, lo que sin duda reducirá falta de escenario, identificará casos de borde, reducirá el esfuerzo manual involucrado en esto y también expertando todo el ciclo de pruebas Tomará mucho menos tiempo probar los códigos ahora con la ayuda de las herramientas. El tercero va a ser la recolección de requerimientos. Esto va a ser un escenario cuando estás usando AGI específicamente. Necesitas recopilar mucha información primero, y aquí es donde puedes generar epopeyas, generar historias de usuarios, que puedes hacer a nivel individual, generar criterios de aceptación Todo eso se puede hacer con la ayuda de las herramientas de IA, y esto sin duda asegurará cobertura de casos de borde de identidad, reduciendo el esfuerzo manual porque está completamente hecho con la herramienta de IA y también agiliza todo el ciclo El último aspecto de la codificación va a ser mucho trabajo de documentación que también hacemos. Y aquí se necesita crear una gran cantidad de documentaciones, que son documentos de requisitos, informes de pruebas, guías de usuario, costo operativo Todo eso va a ser ahora automatizado con la herramienta de IA, y esto va a impactar seriamente su esfuerzo manual invertido en esto asegura una documentación adecuada. Entonces no hay ningún error humano en eso. Bien, también satisface todas las necesidades organizativas regulatorias. Entonces veamos cómo prácticamente podemos hacer esto. Entonces digamos el primer aspecto, queremos construir un código. Entonces voy a pedirle que escriba un pod de Python, diciéndole que experimentó un desarrollador Python, cree un código optimizado que se use para una aplicación empresarial, garantice las mejores prácticas, mecanismos de seguridad, y se siga la documentación adecuada. Generalmente código que se conecta al servidor SQL post y ejecuta una consulta Bien, entonces aquí solo estamos construyendo el código Python, para que puedas ver cuán eficientemente la herramienta de IA es capaz de generar el código para nosotros de inmediato. Entonces construyendo un código. Entonces esta es una gran ayuda porque para muchos desarrolladores de software nuevos que están comenzando por primera vez en una nueva plataforma, necesitarán algún nivel de sujeción de la mano, algún par, algún apoyo de los equipos que les pueda decir por dónde empezar Y eso es lo que se está reemplazando con la IA. Imagina que tienes un par fuerte contigo todo el tiempo, quien te va a ayudar con el trabajo inicial donde construyes el código desde cero. Y luego obviamente agregas tus insumos. Agrega tus entradas, editas el código, lo haces mejor, todas esas cosas que puedes hacer. También, como hablamos de ello, para que puedas construir código en cualquier idioma, el que quieras A lo mejor eres un experto en Python, pero no tienes mucho conocimiento sobre Java. Esto puede suceder ahora donde se pueden generar códigos Java con la ayuda de las herramientas de IA. Ahora veamos el segundo escenario que va a ser parte de prueba. Entonces le estamos dando un trasfondo a la herramienta de IA que eres un tester manual. Al validar una aplicación web, la aplicación tiene una página de inicio de sesión donde el usuario ingresa el nombre de inicio de sesión contraseña y presiona el botón de inicio de sesión Esta también es una opción para olvidar también hay una opción para olvidar nombre y contraseña. Nombre de inicio de sesión y contraseña. ¿Se pueden generar los escenarios de prueba Ahora va a hacer una parte de prueba. Para que veas que ha creado los escenarios de prueba. Imagina que construyes esto tú mismo manualmente. Nos llevará mucho tiempo construirlos manualmente y tomarnos mucho tiempo. Entonces ahora nos está dando escenarios de prueba más áreas adicionales para probar pruebas de dispositivos, pruebas seguridad, pruebas de localización. Todo esto ahora se puede documentar y podemos trabajar en ellos específicamente como escenarios de prueba. El tercero que también podemos ver es también digamos que le estamos pidiendo que solo genere un script de aluminio también para iniciar sesión. Veamos cómo genera un script de selenio también. Esto es algo porque hemos empezado con Python, se supone que solo se espera que estemos pidiendo generar script Python. Pero veamos cómo funciona también con otros guiones. O podría ser una posibilidad de que siga adelante y solo construya el script de selenio solamente Entonces nuevamente, como puedes ver, ha generado el script Python para nosotros, para el login de selenio Entonces así es como creo que esto va a ser realmente revolucionario para cada desarrollador de software en el que la intención con la que necesitas usarlo es, no va a reemplazar específicamente nuestros trabajos de ingenieros de software específicamente. Se va a potenciar su trabajo actual. Va a ser una herramienta de aplicación que viene de ayuda cuando las cosas se complican, no somos capaces de resolver un escenario en particular, a mejor el código se está rompiendo en alguna parte, así que puede hacer una solución de problemas de eso. Entonces todas esas cosas puedes hacer eso. A lo mejor puedas darle un puerto específico y pedirle que lo arregle. Todos esos escenarios para los que puedes usarlo. Y por último, veamos la recolección de requerimientos. Entonces aquí queremos que genere epopeyas. Entonces ahora está creando esas epopeyas para nosotros, cuales podemos usar con fines de codificación Y se puede ver que también está dando entregables a los próximos siete analistas de negocios Entonces así es como podemos hacer uso de la herramienta de IA, específicamente en el desarrollo de software. Puedes ver que hay un sinfín de oportunidades y opciones en las que puedes hacer uso de la herramienta de IA, no solo para una generación de código sino toneladas de otros escenarios en los que puedes usarla de manera muy efectiva. Espero que esto tenga sentido. Ahora tengo que entender el uso de IA del uso de IA en el desarrollo de software. 46. Venta al por menor: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, veremos otro caso de uso de la IA, que va a ser en retail. En el sector minorista, hay toneladas de cosas que podemos hacer ahora con la ayuda del uso de la IA. El primero puede ser, digamos recomendaciones de productos. Aquí puedes elaborar y entender la descripción del producto. Puedes pedirle que elabore una descripción específica del producto personalizada a las necesidades de tu cliente. Se pueden construir campañas de correo electrónico personalizadas, se pueden hacer recomendaciones localizadas. Entonces, dependiendo de la región, la demografía a la que intentas apuntar, tus recomendaciones, los mensajes de tus productos pueden cambiar en consecuencia, y puedes hacer uso de la IA en eso También se puede hacer una búsqueda visual para que entiendas qué tipo de producto va a ser muy interesante para que la gente vea y posiblemente compre. Todos aquellos que puedes hacer con la ayuda de herramientas de IA, y esto sin duda profundizará la comprensión de los atributos del producto Aumentará las tasas de clics, el número de personas que hacen clic en el producto para venir al sitio web, aumenta sus tasas de ventas, tasas de conversión, y retención y lealtad de usuarios también. Ahora bien, si miras la optimización de la cadena de suministro, entonces aquí puedes ver la previsión de la demanda, puedes entender cómo van tus ventas, y con base en la cual puedes pedirle a la IA que te dé una predicción para el futuro pronosticándolo, qué tipo de demandas verás en un mes específico, optimización de inventario, para que también puedas hacerlo Cuándo es necesario el inventario, cuando no es necesario. Todos esos análisis de predicción se pueden hacer con la ayuda de melodías de IA. mantenimiento predictivo también se puede hacer, por lo que podrá comprender cuándo conservar su inventario poder brindar el servicio para la demanda siempre que haya una necesidad. Esto sin duda ayudará a tomar una gran cantidad de datos impulsados por la toma de decisiones que puede suceder y aumenta su disponibilidad de los productos, el cumplimiento de los productos, pedidos que está recibiendo. Y ciertamente, esto también aumentará en general el crecimiento de la continuidad del negocio. Ahora, en el aspecto de atención al cliente, si ve que las herramientas de IA se pueden usar para construir tableros de chat, se puede crear un asistente virtual. Puedes crear un FAQ personalizado a las necesidades de tu cliente. También puedes tener soportes multilingües creados. Las actualizaciones automatizadas también se pueden hacer con la ayuda de herramientas de IA, y todo esto se puede hacer con automatización completa con una intervención humana muy mínima. ¿Y esto te dará qué? Se incrementará será respuestas más rápidas, 24 por siete respuestas. Aumentará la satisfacción del cliente, el alcance del cliente también se expande debido a esto. Y entonces obviamente tiene bajo costo operativo. Por último, el análisis sentimental también. Para que puedas ver las opiniones de los clientes. Puedes analizar esas reseñas, entender el sentimiento principal, entender cuáles fueron las áreas de dolor de los clientes La IA lo personalizará y te dará de una manera muy nítida y sencilla. Entonces sabrás exactamente cuáles son las áreas de dolor y no tendrías que pasar mucho tiempo manual leyendo todas las reseñas, entendiendo las áreas de dolor manualmente. Monitoreo de redes sociales, lo que también puedes hacer, en el que puedes ver con qué todas las publicaciones con las que la gente está interactuando y están respondiendo bien. Entonces todo eso se puede hacer aquí con la ayuda de herramientas de IA y análisis de la competencia también Entonces comprenderá qué aspectos de los productos y servicios competitivos les gusta tanto a los clientes frente a los suyos. Y esto sin duda le ayudará a comprender mejor las necesidades de los clientes y a ser proactivos para resolver problemas, lo que puede hacer con la ayuda de las herramientas. Entonces, si ve, estas van a ser algunas de las áreas que acabo en este momento en el comercio minorista, donde puede hacer uso de uso masivo de IA y requeriría una menor intervención humana, y será mucho más económico administrar su negocio con ese tipo de enfoque. Veamos un ejemplo práctico de cómo va a ser esto. Digamos que estamos ante un análisis sentimental, ¿de acuerdo? Entonces digamos que este es el producto para el que queremos ver una revisión del mismo y entender. Entonces lo que he preguntado es, esta es la revisión dada por cierto cliente. Y solo estamos pidiendo al CHAGPT que nos dé un análisis de sentimiento de Cuéntame un breve resumen con detalles clave. Entonces va a pasar por todo el contenido y darnos un resumen muy positivo, breve. La revisión expresa un sentimiento extremadamente positivo hacia el producto El revisor destaca excepcionales imágenes de cuatro K, detalles clave que ha mencionado, tono emocional es excitado, confiado, muy impresionado, confiado Hagamos una pregunta poco difícil en este escenario, que puede ser decirme cinco cosas que el cliente no está contento, que va a ser muy menos, pero veamos cómo responde. La revisión es abrumadora positiva y explícitamente dice peones ninguno Bien, y así no hay quejas directas. Tal vez caro. Entonces está encima de eso, nos está dando información adicional alrededor tal vez cara en comparación con las cámaras de acción básicas y así sucesivamente y así sucesivamente. Entonces ya ves así es como puedes hacer uso de las herramientas de IA de manera tan efectiva para llegar a la causa raíz del problema y entender ese problema, encontrar una solución muy rápidamente y seguir adelante con eso en lugar gastar tanto de horas humanas entendiendo cuál es el área problemática y luego encontrar una solución. Espero que esto tenga sentido. Espero que entiendas ahora el caso de uso de las herramientas de IA en retail específicamente. 47. Marketing: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, veremos cómo podemos hacer uso de la IA en un escenario específico, que va a ser el marketing. Entonces, cuando nos fijamos en el marketing, puede haber muchos escenarios diferentes en los que podamos usarlo. El primero puede ser obviamente para la generación de contenido. Entonces yo generación de contenido, hay varias cosas que puedes hacer con el marketing como crear artículos de publicación de blog, descripción del producto y mucho más se puede hacer. Puedes tener contenido personalizado para tu marca, específicamente para tus servicios de productos. Entonces puedes crear contenido para tu marketing por correo electrónico, marketing redes sociales, publicación en redes sociales, lo que estamos haciendo. Entonces esto sin duda va a aumentar tu con la ayuda de herramientas de IA, podemos aumentar la generación de contenido. Obviamente, mejorar nuestra consistencia porque somos capaces construir contenido mucho más y podemos programarlo. Entonces podemos tener mayor debido a lo cual podemos obtener un mayor compromiso de las audiencias, y ciertamente reducirá costos porque no tendríamos que contratar gente para hacer este trabajo. De manera similar en SCO y optimización de motores de búsqueda, se pueden hacer muchas cosas. Podemos analizar contenido, podemos sugerir mejoras para los rankings SEO. Esto obviamente ayudará a mejorar los rankings de SEO y aumentar el tráfico orgánico a nuestros sitios web. Una mejor visibilidad en línea puede suceder. Tercero con estudios de mercado así como en mercadotecnia, donde se puede investigar sobre las tendencias del mercado. Se puede observar el comportamiento del consumidor. Puedes ver las estrategias de la competencia, y esto te ayudará a hacer una gran cantidad de toma de decisiones basada en datos, evaluación comparativa de la competencia Entonces todos estos son solo el punto de partida, diría yo, con el marketing, que se puede hacer con la ayuda de herramientas de IA. Veamos algunos ejemplos prácticos de cómo se vería realmente esto. Entonces digamos que una vez que estés en ChatGPT, bien, estamos dando un escenario específico En donde estamos diciendo que eres un creador de contenido de redes sociales. Estoy lanzando una nueva vela perfumada en Instagram. Mi segmento de clientes son los amantes de la decoración del hogar, estudios de yoga, restaurantes. Me puedes dar un tres liner por cada uno de estos segmentos que puedo publicar en redes sociales y además correr un 10% de descuento especial para los próximos tres días así que agrega eso a la mensajería Bien. Entonces quieres tres contenidos diferentes para tres audiencias diferentes. Entonces ahora si buscas la decoración del hogar, él ha escrito, ha escrito, convierte cada rincón de tu hogar en una acogedora experiencia de lujo con nuestras nuevas velas perfumadas, ¿verdad? Para los estudios de yoga, cree una atmósfera relajante con la que sus clientes se conectarán instantáneamente con nuestras velas perfumadas relajantes Para los restaurantes, establezca el ambiente y cree una experiencia gastronómica memorable con nuestras velas perfumadas premium. Entonces mira lo que ha hecho es que ha seguido adelante y ha creado diferentes materiales de marketing de mensajería para tres tipos diferentes de audiencias que estamos buscando. Y en eso, ha sumado el 10% de descuento también en todas partes. Movamos esto más allá, y digamos que le estamos pidiendo que agregue ¿Puedes agregar agregue ¿Puedes agregar contenido que hable más sobre cómo las velas perfumadas ayudarán en cada una de estas categorías ¿Bien? Entonces veamos, ahora estamos tratando resolver problemas también. Así que va a mirar eso también. Una vela perfumada no solo hace que tu hogar huela increíble. Crea calidez, comodidad y un ambiente relajante después de un largo día. Esa es una solución, cómo ayuda. ¿Bien? Para los estudios de yoga, las velas perfumadas ayudan a crear un ambiente tranquilo que mejora la meditación, relajación y la atención plena durante cada sesión Los restaurantes, la fragancia adecuada y iluminación ambiental pueden hacer que los huéspedes se sientan relajados, cómodos y conectados con la experiencia gastronómica al instante . Entonces ahora se ha agregado la solución, el aspecto de ayuda del producto también. Entonces este es solo el punto de partida donde puedes construir tanto contenido de marketing para tu negocio, para tus clientes, para la empresa para la que trabajas, y puedes usarlo para generar mejores ventas, mejores ingresos para la empresa. 48. Demostración: Agente de reuniones Otter - Tomador de notas, transcripción y conocimientos de IA: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, veremos otra herramienta de IA que podemos usar también para un trabajo diario, que puede ser parte de la IA generativa, que va a ser Exterior Outer es básicamente un agente de reuniones, un agente virtual que puedes usar por aquí, principalmente, y puedes descargarlo. Se puede utilizar desde esta plataforma en particular, y va a ser útil en el sentido de que va a resumir todo el encuentro que tenemos en el trabajo Te dará notas completas de la reunión al final de la reunión. Y también nos dirá a los ponentes. Identifica a los ponentes que tenían dicha información específica y es capaz de delegar tareas a cada uno de los ponentes al término de la misma. Entonces esta va a ser la herramienta de IA que podemos usar por aquí, principalmente para hacer que nuestras reuniones sean mucho más productivas. Y este es un caso de uso de la vida real de la herramienta de IA que podemos usar, que realmente puede agilizar nuestro trabajo día a día. Puedes ver, es capaz de organizar conversaciones con canales, empuja insights de ventas también a RCRM puedes integrar Zoom, calendario de Google, todo eso con Otter, y luego puedes obtener la salida deseada Esto es realmente efectivo en términos de que también puedes elegir cómo quieres capturar tus reuniones. También puede poner el conocimiento en tus chats favoritos de IA, puedes conectarlo con Chat GPT, Cloud, Noción, todo eso será posible y va a organizar toda la información sobre la que se ha discutido en reunión y luego resumirla por ti en un lenguaje sencillo y comprensible y compartirla con Espero que esto tenga sentido. Espero que entiendas cómo podemos hacer uso de Otter como agente de reuniones, herramienta de IA para mejorar nuestra productividad y calidad laboral cuando realizamos reuniones en el trabajo 49. Demostración: generación de una respuesta por correo electrónico: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, veremos otro ejemplo, caso de uso de IA generativa en nuestro día a día de trabajo, que puede ser para generar respuestas de correo electrónico Entonces digamos que aquí vamos a usar Strategy PT para generar respuestas. Entonces diferentes escenarios es lo que vamos a mirar. Entonces el primer escenario, digamos, queremos escribir un correo de atención al cliente educado con respecto a un escenario específico Y el contexto es que la entrega de la laptop del cliente se retrasa por, digamos cinco días, están frustrados porque querían usarlo en el trabajo, y vamos a ofrecer una disculpa y darle una nueva fecha de entrega Es un tono que queremos mantener aquí es tranquilo, servicial y profesional. Veamos cómo ChatGPT genera el correo electrónico. Aquí puedes ver que también ha proporcionado la salida de correo electrónico. Pido disculpas sinceramente por el retraso en la entrega de su computadora portátil. Entiendo lo importante que es este dispositivo para su trabajo. Nos ha dado un correo electrónico decente aquí. Otro escenario, un escenario diferente puede ser, digamos, una respuesta de RRHH a un empleado. Queremos una respuesta de RRHH. Este puede ser el escenario que estamos viendo en el que estamos diciendo que queremos escribir una respuesta de recursos humanos al empleado que solicitó trabajar desde casa durante dos días. El contexto fue que las razones de los empleados son cita médica, RRHH quiere aprobarla, mantener un tono solidario y profesional porque es una comunicación de RRHH y mantener el mensaje corto y claro. Entonces aquí, escenario diferente, y podemos ver cómo se generan correos electrónicos aseados y profesionales con la ayuda de la IA y la calidad de la comunicación mejora además. Por lo general, se necesita mucha dificultad para que las personas escriban correos electrónicos, y aquí es donde el uso de la IA es enorme, donde puede mejorar seriamente la calidad de la comunicación en la oficina o comunicación general entre profesionales. Tercer escenario también podemos hacer posiblemente tal vez podamos cambiar el estilo de comunicación y darle un tono específico. donde podemos decir, escribamos la respuesta de recursos humanos en tres tonos diferentes que pueden ser formales, amigables, o un estilo de mensaje de Whatsapp corto. El mismo correo electrónico ahora escrito en tres estilos diferentes, muy formales, le agradecemos que nos informe con anticipación, por favor asegure la coordinación con su gerente de informes y permanezca disponible durante las horas de trabajo según sea necesario. Estilo de mensaje de Whatsapp amigable y luego corto. Ves que la mayor contribución de la IA por aquí sería en este escenario en particular es que está mejorando la comunicación empresarial entre los empleados de una empresa. Ese es un gran caso de uso que encontramos ahora con la ayuda de estas IA. 50. Demostración: variaciones de titulares de marketing para una imagen de producto: Hola, chicos. Bienvenidos a esta sesión. En esta sesión veremos otro caso de uso de herramientas de IA, específicamente para generar diversos titulares de marketing para, digamos, un producto en particular. Entonces lo que vamos a hacer aquí es que vamos a mirar una imagen de producto en particular y para lo cual queremos generar algunos titulares de marketing que se utilicen con fines publicitarios. Digamos, vamos a subir la imagen primero por aquí. Ahora vamos a darle algunos titulares de marketing específicos que queremos generar. Digamos que el primero va a ser donde queremos que genere diez titulares de marketing para este producto, queremos que sea corto, pegadizo, adecuado para un anuncio en línea Se va a mirar el producto y en base lo que nos va a dar los titulares de marketing. Ahora también tenemos estos titulares. De igual manera, cambiemos esto. Digamos que queremos estos titulares en un estilo particular. Podemos decir dar estos titulares en cinco estilos diferentes, que va a ser de lujo o premium, divertido, minimalista, experto en tecnología y urgente Ahora va a cambiar los titulares en función del estilo dado. Así que ahora se puede ver bajo el lujo, viene como la elegancia se encuentra con la inteligencia. Pany es más inteligente que tu. Minimalista, inteligente, simple, potente, experto en tecnología, próxima generación, tecnología portátil, urgente mejora tu muñeca hoy. Puedes ver que ha ido adelante fácilmente y ha creado diferentes estilos que nuestros equipos de marketing ahora pueden usar de inmediato. Otro escenario puede ser, digamos que queremos que los titulares de marketing atiendan a unas plataformas específicas. Como, por ejemplo, a medida que entiendes el lenguaje utilizado en diferentes plataformas varía. El lenguaje de Instagram es muy diferente al vinculado en lenguaje y así sucesivamente y así sucesivamente. Digamos que quieres obtener los titulares de marketing, atendiendo a una plataforma específica. Digamos que quieres crear una leyenda de Instagram para este producto, titular del anuncio de Facebook tiene que ser creado o un titular de Google Ad tiene que ser creado. Se ha creado el mosaico de productos de Amazon. Para todos esos fines, esta herramienta de IA puede crearlos. Ahora puedes ver que la leyenda de Instagram va a estar conectada, realizar un seguimiento de tu estado físico y mejorar tu estilo diario. Encabezado del anuncio de Facebook, el smartbod más inteligente que se mantiene al día con tu vida, y así sucesivamente y así sucesivamente Entonces así es como podemos hacer uso de la herramienta de IA principalmente para generación de titulares de marketing, que es utilizada principalmente por nuestro equipo de marketing. Además, se puede utilizar para hacer pruebas AB. Digamos que quieres probar AB estos titulares y ver cuál es mucho más efectivo. Entonces podemos hacer eso también, y puede crearlos también para nosotros. De esto tiene sentido. Espero que entiendas ahora el caso de uso de la herramienta de IA en marketing y hoy en día la mayoría de los marketers utilizan ampliamente las herramientas de IE para generar titulares, en copias, en se crean creativos, que luego pueden usar de inmediato en sus 51. IA responsable: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, hablaremos de IA responsable. Entonces, como puede ver, a lo largo del período de un par de años, la tecnología de IA ha aumentado, la tecnología de IA ha aumentado, y hay muchos desarrollos que están sucediendo en este campo específicamente. Al mismo tiempo, ha habido muchos temas en cuanto a la privacidad de los datos y mucha información que se está mostrando como información sesgada que llegamos a ver. Por lo que hay temas en los sistemas de reclutamiento donde muestra sesgo de género , reconocimiento de imágenes, que es, como, falso profundo y se muestran imágenes que no son correctas, tableros de chat que se están utilizando, que muestran texto de odio, mensajes de odio, que sale. Y luego puede haber muchos escenarios donde la IA esté alucinando y generando datos no existentes Ahora bien, esto va a estar ahí desde hace un par de años, y la intención de todas estas tecnologías de IA, modelos LLM es reducir esto tanto como pueda Ahora, eso es algo cada vez más crucial para nosotros. Como puedes entender, a medida las herramientas de IA son cada vez más poderosas, al mismo tiempo, estas preocupaciones también van en aumento y hay mucho mal uso que también está sucediendo. Ahí es donde líderes tecnológicos como Sam Altman también están diciendo que estos van a ser tiempos realmente difíciles donde su enfoque está más en asegurarse de que los problemas particulares se están reduciendo tanto como sea posible Ahora ahí es donde viene la IA receptiva de la que estamos hablando, que se refiere principalmente a marcos éticos y morales que guían el desarrollo, despliegue y uso de sistemas de IA, y asegura que se alinee con los valores humanos y las normas sociales Entonces así es como lo vamos a usar. Entonces, si miras un flujo de trabajo de proceso simple que está sucediendo en este momento, hay un dato de entrenamiento que se está dando a los modelos de IA para entrenar y en función de los cuales te da resultados. Ahora imagina un escenario donde los datos de entrenamiento ya están sesgados. Entonces digamos que los datos de entrenamiento se proporcionan con 1 millón de currículums masculinos y 500 solo 500 currículums femeninos Lo que va a pasar es que la salida va a estar sesgada, ¿verdad? Entonces ahí es donde entran estos temas y los problemas de privacidad de datos que entran en escena, donde la información que se está dando es sesgada y no crea una salida sistemática o una salida imparcial Y eso también eventualmente crea muchos problemas de privacidad de datos. Ahora por esto, una gran pregunta que nos viene a la mente es que ¿está generando un resultado correcto? Las herramientas de IA, el factor de confianza se vuelve cuestionable en estas herramientas de IA Y ahí es donde tiene sentido que todos empecemos a pensar en cómo podemos hacer responsable a la IA y asegurarnos de que la salida sea mucho más digna de verdad y confiable y seamos capaces de obtener una salida imparcial Ahora, ahí es donde se puede entender la gran necesidad en este momento de una IA responsable. Las razones son primero, como podemos entender, la mella más grande que tiene es en el sesgo y la discriminación, que es ante todo un caso en el que la salida va a ser muy imparcial Aquí. En el escenario sesgado, lo que va a pasar es que la salida no va a ser de la manera adecuada, y hay mucha discriminación. El resultado se inclinará hacia una dirección particular También va a haber preocupaciones de privacidad, que principalmente va a ser un caso en el que los datos puedan ser expuestos. Muchos de nuestros datos personales están expuestos a estos modelos de IA. Puede haber consecuencias legales. Debido a esta salida sesgada, puede haber problemas legales que pueden suceder, y luego puede llevar a una pérdida de confianza en estas herramientas de IA. Ahora, es por eso que necesitamos asegurarnos de que somos capaces de implementar la IA responsable a través de principios éticos. Entonces estos deberían ser los rieles de protección o lineamientos implementados en estas herramientas de IA. calidad de los datos debe verificarse forma regular para que no haya datos imparciales, las herramientas de IA se están capacitando. La transparencia tiene que estar ahí con respecto a qué tipo de información se carga en la parte posterior de estas herramientas de IA Y también se deben hacer muchas configuraciones de cumplimiento de consentimiento para que no ocurran problemas de privacidad de datos Bien. Y luego se está tomando mucho consentimiento de los usuarios para que se utilicen los datos. Además, tiene que haber un monitoreo y mejora, lo cual tiene que hacerse porque como puedes ver, las herramientas de IA están mejorando, pero a las herramientas de IA están mejorando, lo largo de un periodo de tiempo, monitoreo continuo de la salida y luego mejorándolos de la misma manera fanl necesita continuar por un largo periodo de tiempo Entonces tiene que haber una intervención humana. Tiene que haber un humano en el bucle. necesario aplicar una estrategia en la que la salida que obtenemos de estas herramientas de IA sea examinada por humanos y luego se proporcione la salida para que podamos obtener una mejor salida de estas herramientas de IA. La idea es incorporar IA responsable en estos sistemas de IA tanto como podamos, lo que incluye sistemas generativos de IA, lo que nos da una salida mucho mejor, una salida imparcial sin discriminación alguna en el futuro 52. La ética de la IA: alucinaciones y precisión de hechos: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, se habla de la ética de la IA, las alucinaciones y Entonces, ¿qué son las alucinaciones de IA? Las alucinaciones van a ser principalmente un modelo generativo produce código de texto o medios que suenan muy fluidos y autoritativos, pero que son fácticamente falsos, fabricados o no apoyados fabricados Entonces muchas veces sucede que cuando le estás dando un baile de graduación específico a la herramienta de IA, generará la información, pero puede que no sea del todo cierto, de hecho cierto Y ahí es donde entra en escena la alucinación de la IA del salón Entonces, si lo miras cuando un usuario hace un prompt, el modelo de idioma predice el siguiente token Entonces están en el hábito o en el proceso de generar el siguiente token y no realmente proporcionar la información correcta. Y ahí es donde sucede esto. ¿Bien? Entonces, lo que tenemos que ver es que hay varios ejemplos de alucinaciones o tipos que posiblemente puedan estar sucediendo Como por ejemplo, citas legales falsas. Puede ser posible que la herramienta pueda dar mucha irregular o que sea citas legales falsas, consejos médicos equivocados, puede proporcionar noticias falsas y citas que pueda generar. También puede crear código fantasma, código no funcionará, lo que se romperá y las API también. Ahora bien, por qué esto está sucediendo es principalmente como hablamos, es que los LLM aprenden patrones de lenguaje Modelan lo que siguen las palabras, suelen seguir otras palabras, lo que podría no ser cierto. Entonces no hay base de datos interna de hechos. Otro problema con esto es que no existe una base de datos específica de que estén recuperando la información Están generando una nueva información conjunto y por lo cual no es correcta. Optimizado para sonar fluido que es principalmente va a ser el entrenamiento recompensa respuestas plausibles bien informadas incluso cuando se inventa la afirmación subyacente Aunque la información sea incorrecta, intentará sonar segura, bien informada, y es por eso que ocurren alucinaciones Puedes ver este ejemplo en particular. Ahora, los principales impulsores de alucinación es que hay brechas en los datos Como hablábamos, los datos de entrenamiento no son del todo ciertos tiene brechas en él. Entonces ese es un conocimiento de estado. Entonces ya que hay un límite de conocimiento tras el cual los modelos tienden a alucinar y adivinar que el trabajo sucede. Indicios ambiguos. Cuando los bailes que dan los usuarios son muy ambiguos, confusos, es difícil que los LLM den principalmente información correcta Y también, cuando aumentas la temperatura o la creatividad, entonces los ajustes de muestreo, que si aumentas eso, entonces de nuevo, probable es que muchos de esos casos de alucinaciones Además, existe el control de confianza de RLA, por lo que los modelos son recompensados por respuestas seguras, y en la búsqueda de hacerlo, darán información incorrecta Ahora hay tipos de alucinaciones. Uno es fáctico Las alucinaciones fácticas básicamente van a ser declaraciones falsas directas Pueden tratarse de personas inventadas, fechas, estadísticas, citas, eventos, algo así, citar un estudio sobre productividad del trabajo a distancia, y te darán una salida que no está ahí, que no está ahí No existen tales volúmenes de revistas ni autores. ¿Cuántas estaciones de recarga de vehículos eléctricos en India? Para darte algún número, la cifra es marginalmente menor, se inventan los números, y así sucesivamente y así sucesivamente De igual manera, otro es razonamiento y la alucinación contextual, donde los hechos pueden ser parcialmente correctos, pero se rompe la cadena del razonamiento, las matemáticas o el vínculo contextual El contexto matemático no está ahí. El razonamiento no está ahí. Por ejemplo, será la matemática que se vea bien. Te voy a dar la salida, pero eso posiblemente podría no ser correcto. Fuente mal atribuida, resumir la política de recursos humanos adjunta, le dará voy a decir que la póliza otorga 26 semanas de licencia parental, que generalmente es posiblemente ahí, pero en esa documentación, no está Este tipo de cosas, alucinaciones contextuales Ahora, la alucinación creativa es otro tipo, que es cuando se le pide imaginar modelos inventar con confianza, útil para la fricción, peligroso Danos una famosa cita de Albert Einstein sobre IA. Dará una cotización que nunca dijiste posiblemente. Escribe una breve biografía de la pintora ficticia María Velazcos. Ahora se trata de un pintor ficticio, pero aún así la IA está dando una salida Redactar reseñas de clientes para un nuevo producto SAS, cinco reseñas dadas, que en realidad nunca fueron dadas por personas reales. Entonces ahora hay escenarios de alto riesgo para alucinaciones. Las alucinaciones no son igualmente costosas en estos dominios, un solo error de confianza puede causar Puede haber salud es tan perjudicial que si las alucinaciones ocurren en este dominio en particular, puede tener una vida enorme impactando las decisiones pueden Relacionadas con derecho, finanzas, precios y seguridad, código e infraestructura. Puedes imaginar que se pueden crear códigos que podrían no funcionar. El periodismo, los códigos falsos, las fuentes inventadas pueden distorsionar la historia Entonces detectando alucinaciones, puede haber diferentes formas de detectar alucinaciones diferentes formas de detectar alucinaciones. Primero es la consistencia. Entonces la defensa simple es, bien, haremos la misma pregunta tres a cinco veces en nuevas sesiones para que podamos ver la salida y entender si está dando una mejor salida o las respuestas son iguales o no, y tratarlas como sospechosas. En segundo lugar, lo que podemos hacer es también podemos modelar el cheque, que básicamente es plantear la pregunta a dos modelos diferentes y validar la información para que de esa manera entendamos la información sea correcta o y autoconsistencia prom. Pedir al modelo que enumere sus afirmaciones, cómo está reclamando esa respuesta y verificando todas y cada una de las respuestas con un reclamo. De esa manera, podemos seguir adelante y detectar alucinaciones. Otras técnicas de detección pueden ser Rag, que puedes usar generación aumentada, que es donde das tu contenido Usted proporciona para que el modelo responda únicamente a partir de una documentación suministrada. Subes toda tu base de conocimientos y en base a la cual necesita responder. Entonces ese es tu trapo. Entonces reclamo por reclamo comprobación de hechos, dividiendo la respuesta en múltiples reclamos atómicos y pidiéndole que verifique y nos dé la fuente autorizada de donde la referenció en base a la cual dio la solución Verificación de citas. Entonces nuevamente, estamos pidiendo que verifique cada URL, DOI, número de caso ISBN una vez que da la salida, y la herramienta use el enrutamiento de la calculadora, que es enrutar matemáticas, fechas y consultas a herramientas deterministas en lugar de pedirle al modelo que sepa la respuesta, preguntándole cómo llegó a esa Versus solo creer en el resultado dado por la herramienta. Entonces estas son diferentes formas por las que podemos controlar las alucinaciones, lo que ocurre generalmente en diversas Espero que esto tenga sentido. Espero que entiendas ahora las implicaciones de las alucinaciones de IA y cómo podemos controlarla 53. La ética de la IA: problemas de prejuicios y equidad: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, hablamos sobre cuestiones de ética, sesgo y equidad de IA a los que Entonces, lo que queremos decir con sesgo en IA. sesgo en la IA es principalmente un escenario en el que un modelo produce una salida que favorece sistemáticamente a cierto grupo o desfavorece a un determinado grupo. Ahora bien, esto puede ser por género, edad, geografía, discapacidad. Pueden ser varias otras cosas. Eso es lo que simplemente queremos decir con sesgo, lo que puede suceder en la IA. Ahora bien, estos son también pueden ser tipos, como el sesgo estadístico o social. Ahora bien, cuando se mira el sesgo estadístico, es básicamente la predicción de un modelo de que se desvía sistemáticamente del valor verdadero ¿Bien? Entonces es más técnico y término neutral varianza se puede decir varianza o ruido. Entonces, por ejemplo, un modelo meteorológico predice consistentemente dos grados centígrados más bajos que la temperatura real Mientras que un sesgo social es un patrón social injusto, genera estereotipos reforzados o grupos protegidos desventajosos Por ejemplo, un evaluador de currículums rebaja consistentemente los CV con nombres de mujeres Así que también puede haber sesgos problemáticos. Entonces el sesgo se convierte en un problema cuando rastrea atributos protegidos. Por ejemplo, rastrea raza específica, género, reparto, edad, discapacidad. Causa daños reales, como préstamos denegados, falta de diagnóstico, arresto ilícito, pérdida de empleos Entonces es sistemático y no aleatorio. El mismo grupo se encuentra en desventaja una y otra vez sobre un tipo. Bien, entonces eso es lo que queremos decir las áreas problemáticas que podemos enfrentar con sesgo. Ahora bien, ¿cuáles pueden ser las razones de ello? Entonces primero, puede ser el sesgo de datos de entrenamiento. Entonces la fuente principal porque las herramientas de IA están entrenadas sobre ciertos datos de entrenamiento, los cuales están amañados en sí mismos, lo que está sesgado en sí mismo Y por lo que la salida es sesgada, ¿verdad? Entonces hay texto de Internet, hay registros históricos, opciones de etiquetado. Todos estos forman parte de los datos de entrenamiento. Y cuando entra en el modelo, la salida también es de manera similar. Ahora hay tipos de sesgos de datos de entrenamiento que pueden suceder Por lo que el entrenamiento de sesgo de sección establecido bajo representa a algunos grupos. Sesgo histórico, datos pasados reflejan inequidad pasada. Bien, entonces por lo cual la salida es así, muestreando los datos de sesgo sobre recopilados de ciertas geografías versus las otras Los anotadores humanos inyectan sus propias suposiciones en la verdad fundamental. Sesgo de medición, los proxies se encuentran en lo que realmente queremos medir Entonces, si nos fijamos en otros sesgos que pueden suceder es sesgo de asociación de palabras, que es más alrededor de entender qué palabras se sientan cerca unas de otras como estereotipos, por ejemplo, hombre, tiene que ir con un rey que será un hombre Se espera para las mujeres, se espera que sea reina. De igual manera, sesgo de asociación de imagen, que puede ser más alrededor cuando pensamos en un CEO, será un hombre mayor con un traje de oficina de esquina. Cuando buscamos a una enfermera, serán los matorrales de una joven, hospitales, un joven criminal a menudo de piel oscura, un científico, un hombre blanco, gafas de regazo. Se trata de sesgos de asociación de imágenes que pueden ocurrir. Ahora bien, lo que está creando es un zumbido social y epistémico, que es principalmente sesgos, distorsiona lo que la gente ve, aprende y cree, aprende Puede crear zumbido social, epistémico, que es alrededor de búsqueda, resúmenes y respuestas de chat, lo que es cierto para los usuarios y lo que es cierto para los usuarios Ahora bien, también puede haber daño dignatario, que es donde se clasifica erróneamente Puede humillar, negar oportunidad y despojar a la gente del reconocimiento Entonces puede ser goma de borrar, por ejemplo, asistentes de voz que fallan en ciertos acentos, ¿de acuerdo? Generadores de imágenes que muestran comunidades enteras de manera estereotipada o degradante a través de millones de salidas o herramientas de vertido de riesgo etiquetando a los individuos como de alto riesgo en base a estadísticas grupales, no a su comportamiento real Entonces, ¿cómo vamos a abordar estos? Entonces, hay formas por las cuales podemos comenzar a abordar los sesgos en la IA Primero está la intervención a nivel de datos, que es un muestreo diverso. Entonces, cuando estamos recopilando datos, tiene que ser diverso. ¿Bien? Necesitamos recopilar deliberadamente datos a través de la demografía, geografías e idiomas. No confíe en lo que sea fácil de desechar. Reequilibrio y reponderación, que es grupos sin peso subrepresentados durante el entrenamiento o muestra de mini relojes grupos sin peso subrepresentados durante el entrenamiento o muestra de mini relojes con igual representación grupal. Limpiar los datos históricos, auditar conjuntos de datos para patrones no discriminatorios y eliminarlos. aumento sintético, que es generar ejemplos contrafácticos, por lo que el modelo no puede atenerse al atributo protected Otras cosas que puedes hacer son las intervenciones a nivel de algoritmo, que está en el propio algoritmo, se introducen términos de equidad a la función de pérdida, por lo que el modelo se penaliza cuando precisión difiere ocurre entre grupos Debasing adversarial entrena la segunda red que intenta predecir el El modelo principal es recompensado por engañarlo. La calibración del procesamiento posterior al proceso ajusta los umbrales o esporas después del entrenamiento, por lo que las tasas de error son iguales en todos los grupos demográficos Entonces estas son formas por las que puedes hacerlo. Ahora bien, lo que se puede hacer la evaluación y gobernanza en torno a esto es que podemos tener una evaluación desagregada Informar la precisión, error y tasas de error por grupo demográfico, no solo en general. Entonces eso da una imagen equivocada. Modelo y tarjetas de datos. Por lo tanto, podemos publicar una hoja de datos estándar que cubra el uso previsto, capacitación, los datos, la composición, las limitaciones conocidas y los grupos probados. La revisión humana puede estar ahí en el bucle. Por lo que de esta manera todos específicamente los resultados pueden ser examinados por el humano y luego pueden ser compartidos auditorías externas y reparación Por lo que los auditores independientes prueban el sesgo y los usuarios afectados tienen un camino claro para impugnar las decisiones. Entonces estas son formas por las que podemos ver el sesgo en la IA y buscar formas de resolverla, controlarla para el futuro 54. La ética de la IA: limitaciones técnicas: Hola, chicos. Bienvenidos a estas sesiones. En esta sesión, hablamos las limitaciones técnicas que enfrentamos en la ética de la IA. Entonces ahora estamos entrando en limitaciones técnicas. Hablamos de alucinaciones y sesgos de IA. Ahora bien, si lo miras, esto está debajo dentro de los modelos LLM, que es donde hablamos de contexto, Ventana, cómputos y costos, presupuestos, locales y versus Cloud, memoria, bien, latencia Todas estas son también limitaciones a las que se enfrentan las herramientas LLM. ventana de contexto es principalmente la cantidad máxima de texto que un modelo puede tomar en una instancia, que se mide en fichas Ahora, incluye el aviso del usuario, los documentos que adjunta y los modelos responden. Si ves a lo largo del periodo de tiempo, ese número ha aumentado y ha seguido creciendo ahora mismo como ves por aquí, lo cual es una buena señal. Sin embargo, también hay una limitación en eso. Entonces, por qué importan los límites de contexto es porque cuando una tarea excede esa ventana en particular, el modelo no se niega, lo dejo caer silenciosamente y comprime los datos Y por lo cual, la salida podría ser un poco borrosa, no clara y específica Bien, así sucede el truncamiento, que es que los documentos largos se cortan con el olor El modelo sólo ve el primer y el último trozo y responde a partir de ese fragmento Por lo que la respuesta podría no ser completamente correcta o cierta. Puedes tener instancias de perder el historial de conversaciones, en chats largos, la herramienta podría olvidar la información que habías dado varias horas antes. Entonces el efecto perdido en el medio puede ocurrir incluso dentro de la misma ventana, los modelos solo pueden prestar atención al inicio y al final y olvidarse de la conversación media. Luego hay escalado de costos y latencia también. Un contexto más grande cuesta más y funciona más lento. Así que los precios escalan linealmente con tokens. Entonces un prompt de token de 200 k es realmente caro. Entonces, ¿cuáles pueden ser las soluciones alternativas para los límites de contexto Fragmentación donde dividimos un documento largo en piezas superpuestas y procesamos cada una por una y fusionamos las respuestas parciales Resumiendo primero cada trozo, luego resumir los resúmenes Esto también se puede hacer. Entonces Rag, que es recuperable generación aumentada donde Almacenamos documentos en bases de datos vectoriales y recuperamos información solo desde su ventana deslizante para el chat, mantenemos el prompt del sistema en el modo de ejecución ejecutando resumen de términos más antiguos, una memoria comprimida de la conversación. Entonces de esta manera, podemos trabajar con ello. Podemos trabajar con límites de contexto. Ahora, también va a haber cómputos pasados los requisitos y el costo de inferencia, ¿verdad Entonces esto no va a ser algo por lo que tenemos que pagar. Entonces, cuando estás ejecutando un modelo grande, no hay un pasado único, sino que cada respuesta usa GPU, electricidad Hay ingeniería, ¿de acuerdo? Por lo que hay un cierto costo por cada uno de ellos. Bien. Entonces aquí, lo que va a pasar es que si ves que la latencia por respuesta va a ser de 0.5 a 10 segundos, ¿bien? El costo que estamos pagando por aproximadamente 1,000 tokens es de 0.001 a $0.10, energía por consulta, que también se está utilizando Por lo que hay un cierto costo que estamos pagando para generar tales salidas. Ahora, hay formas por las cuales si comparas local versus nube y escalabilidad, donde el modelo corre da forma a lo que construyes, entran en imagen dos opciones reales, nube grande y modelos pequeños Puedes ejecutar tu so en frontera o modelos de gran nube, que tenemos GPT cuatro o cinco nubes gemini, son fuertes en razonamiento y amplitud No intra es administrar básculas elásticamente con el tráfico. Mientras que en el dispositivo, los datos permanecen en su máquina. Sin costo por polo hay trabajos fuera de línea, baja latencia. Entonces ahora el otro aspecto de la misma va a ser la memoria a corto plazo, que es específicamente. Entonces aquí, lo que va a pasar es que un modelo no tiene memoria persistente entre sesiones. Entonces, lo que sea que sepa dentro de un chat vive solo en la ventana de contexto actual y desaparece cuando se cierra la ventana. Para que también debemos tomar en consideración los pesos entrenados a largo plazo. Entonces, cualesquiera que sean los datos de entrenamiento que se hayan dado. información de la ventana de contexto a corto plazo es solo con la que funcionará, ¿de acuerdo? Entonces, por qué conocer las limitaciones es empoderar es saber esto, ahora puedes ver cómo puedes construir a su alrededor, cómo puedes mejorarlo a lo largo del periodo, que va a ser a través de chunking, ag, modelos más pequeños, en dispositivo, tiendas persistentes Entonces así es como podemos seguir adelante y trabajar específicamente con esos escenarios donde IA tiende a olvidar, ¿verdad? Tan pequeño contexto, alto costo de inferencia, sin memoria persistente o preocupaciones de privacidad Estas son todas las limitaciones que tenemos, y puede haber soluciones alternativas, como pueden ver aquí, que podemos usar 55. La ética de la IA: preocupaciones éticas y de seguridad: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, queremos platicar sobre las preocupaciones éticas y de seguridad, que es en torno a la IA específicamente. Entonces lo que entendemos, en primer lugar, es la diferencia entre desinformación y desinformación desinformación es cuando una información inexacta o engañosa es compartida por alguien, Genuinamente, la persona no lo sabe, no hubo intención de engañar Pero la desinformación es contenido creado o extendido a sabiendas para engañar, manipular o Aquí es donde yace, uh, la ética de la IA específicamente. Si nos fijamos en la generación de texto, generación de texto como una herramienta de desinformación Con la ayuda de la IA ahora, minutos de generaciones le pueden pasar a una persona, unos pocos dólares gastados y eso puede suceder. Se trata de una herramienta de desinformación que puede estar ahí y tiene que ser regulada Los modelos generativos de IA pueden producir artículos, reseñas, tweets, sitios completos de noticias falsas pueden ser escritos por una persona real Ahora también hay otro escenario que puede ser de falsificaciones y medios sintéticos que pueden llevar a manipulación política, clips falsos de líderes confesando o haciendo declaraciones inflamatorias, rostros de confesando o haciendo declaraciones inflamatorias, imágenes no consensuadas de personas reales injertadas en contenido explícito injertadas El fraude y la suplantación también pueden ocurrir, voces clonadas utilizadas para hacerse pasar por CEOs en una estafa de transferencia, Cuando cualquier video puede ser falso, evidencia real pierde su peso principalmente, como ves. Entonces hay consecuencias del contenido falso. El contenido falso tiene mucho impacto en el mundo real, como el daño democrático. Bien, la percepción sesgada de los votantes, la manipulación del mercado, lo que puede suceder, imágenes falsas de explosiones o las declaraciones falsas de los directores ejecutivos pueden llevar a que los precios de las acciones del mercado real suban y bajen Bien, daño personal, individuos dirigidos enfrentan acoso, riesgo para la salud pública, anti vacuna o cura falsa, los rumores durante las pandemias cuestan vidas directamente Hay una grave consecuencia del contenido falso que puede suceder, y la IA es capaz de hacerlo. Bien, entonces también hay otro aspecto de ello es el desplazamiento del mercado, así que el trabajo humano versus IA, ¿verdad? trabajo humano que implica años de artesanía y experiencias vividas, bien, puede ser reemplazado por derivado barato instantáneo entrenado en trabajo creativo humano anterior produce salidas por centavos por pieza. Por lo que hay mucho reemplazo de trabajo puede suceder, que puede ser mucho más barato en respecta a la producción y puede reemplazar el trabajo humano muy fácilmente. Y ahí viene, de nuevo, el uso responsable de la IA. Entonces deberes individuales. Entonces en tales escenarios, como pueden ver, hay muchas preocupaciones serias en torno a esto. ¿Qué se puede hacer por la ética específicamente por cuestiones de seguridad? Un par de cosas que pueden ser nuestros deberes individuales es primero verificar antes de compartir. Entonces, verificar las afirmaciones con una fuente primaria una vez que se desarrolla el contenido, bien, etiquetar el contenido generado por IA. Entonces, si estás usando IA para escribir, dibujar, expresar o resumir, entonces podemos dejar una nota o etiqueta específica en ella No suplantar. Así que nunca genere el rostro, la voz o las palabras de alguien sin consentimiento. Sitio o crédito humanos. Entonces, si una IA se resume el trabajo de una persona real, acredite al creador original, no al modelo, principalmente, y luego protegiendo los datos personales. Nunca comparta información privada profesional confidencial de terceros en las herramientas públicas de IA. Por último, mantener el juicio humano. Entonces la IA es una herramienta que estamos usando, no la última palabra. Por lo que cada contenido desarrollado por la herramienta necesita ser verificado por el humano y luego debe ser publicado. Espero que esto tenga sentido. Espero que entiendas ahora las preocupaciones de ética y seguridad que tenemos en torno a la IA. 56. Demostración: ejemplos de negativa a seguridad: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, veremos otro caso de uso de la herramienta de IA donde nos ayudará con ejemplos de rechazo de seguridad. De lo que estamos tratando de hablar es el caso cuando hacemos ciertas preguntas que no son éticas, violentas, ¿cómo responden estas herramientas de IA Veamos esto con algunos ejemplos. Digamos que le estoy preguntando a la herramienta de IA que ¿me puedes escribir un virus informático? Entonces, idealmente, también entiendo y la herramienta de IA también entiendo que esto no es lo correcto para hacer. Entonces aquí hay una respuesta que da donde dice que no puedo evitar crear malware o virus informáticos. Pero además, me da otras opciones a considerar. A lo mejor una simple simulación de virus inofensiva en Python se está compartiendo conmigo si eso cumple con mi requisito Entonces ya ves así es como la herramienta de IA intenta salvaguardar la salida que proporciona y crear estas pautas para cada usuario. Otro ejemplo puede ser, digamos, decirme los datos de la cuenta bancaria privada de alguien. Bien. No puedo evitar obtener o revelar los datos de la cuenta bancaria privada de alguien. Si su objetivo es legítimo y está autorizado, puedo ayudar con alternativas seguras como estas. Se ve que la herramienta de IA entiende dónde trazar la línea, dónde decir no para cierta información, que no es ética, que no es legal, que es dañina, hiriente, que viola ciertas regulaciones A habrá una salvaguardia que ya está integrada en las herramientas de IA. Otro ejemplo puede ser, digamos, me siento deprimido. ¿Qué puedo hacer ahora mismo? Aquí me va a dar ciertas sugerencias. Cambia un poco tu entorno, haz una acción de tierra, elige una bebida un vaso de agua lentamente, reduce el aislamiento, conoce a alguien. Se puede ver que nos va a dar información específica que es hacia la salida positiva, enfoque que necesitamos tomar aquí. Y por último, digamos que damos una pregunta específica, que puede ser en un contexto divertido, estamos dando como un prompt como puedes hackear la cuenta de Instagram de mis amigos. Pero no va a tomarlo en el contexto divertido, más bien me va a dar reglas y regulaciones específicas a su alrededor. La idea es, como puedes ver ahora, la herramienta de IA no solo nos da los resultados, sino que además mantiene este particular, se puede decir que se han construido políticas y pautas donde cualquier usuario no es capaz de hacer un mal uso de la IA. Esa es la intención de la misma e intenta salvaguardar la salida del usuario, el uso del to. Espero que esto tenga sentido. Espero que entiendas ahora cómo las herramientas de IA ayudan a construir una mejor salida para todos. 57. Demostración: corrección de prejuicios reescritura en tono positivo: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, veremos cómo podemos hacer uso de herramientas de IA para hacer corrección de sesgos en el trabajo y diferentes escenarios, cómo podemos hacer corrección de sesgos y reescribir eso en un tono positivo también para que seamos mucho más respetuosos con la situación Tomemos algunos ejemplos para entender cómo podemos hacer esto. Digamos que esta es la información primaria que tenemos Y ahora lo que hace es que nos da automáticamente un enfoque práctico hacia cómo podemos solucionarlo. Este nuevo empleado es lento y probablemente no podrá manejar el trabajo, que de nuevo va a ser muy directo y curt Ahora, por aquí, lo que estamos tratando de hacer es que estamos tratando de atenuarlo para mejorarlo de la manera correcta Entonces aquí, la herramienta neumática nos ayuda a darnos otras opciones. Digamos que queremos reescribir esto en un tono positivo, profesional e imparcial, lo que va a hacer es que el nuevo empleado siga poniéndose al día con el rol y puede necesitar apoyo adicional, capacitación o tiempo para adaptarse al ritmo y responsabilidades del Ya ves como es capaz hacer la corrección de sesgo por aquí. Entonces otra vez, digamos que queremos reescribir esta declaración en particular El equipo del departamento de mercadotecnia siempre comete errores. Eso ahora ha sido cambiado por la IA, que dice que el equipo de marketing continúa mejorando los procesos y la precisión, y puede haber oportunidades para reducir los errores recurrentes a través sistemas de comunicación y revisión más claros. Por lo que son alentadores primero en las cosas buenas que han hecho, y luego da áreas de mejora, que es la forma correcta de dar retroalimentación. Otro ejemplo puede ser que también podemos pedirle a la herramienta de IA que reescriba todo en diferentes tonos, tal vez tono positivo, neutro o motivacional, que se pueda generar Puedes ver cómo la herramienta de IA ayuda a corregir el sesgo en el trabajo, cómo puede aportar mucha positividad, inclusión y profesionalismo en la forma en que nos comunicamos con 58. Caso de uso: generación de código con GitHub CoPilot: Hola, chicos. Bienvenidos a las sesiones. En esta sesión vamos a hablar sobre cómo podemos hacer uso del copiloto de GitHub para la generación de código Veamos un caso de uso para eso. Primero puedes iniciar sesión en el copiloto de GitHub y aquí vamos a ver dos escenarios diferentes El primer escenario va a ser que le vamos a dar un diagrama de arquitectura para explicar. Vamos a subir primero el diagrama. Se trata de un diagrama de arquitectura de AWS, que nos gustaría que nos simplificara y nos explicara. Digamos que le vas a pedir que explique el diagrama. Déjame mostrarte cómo se ve también el diagrama. Entonces este va a ser un diagrama complejo que se ha utilizado Amazon Route 53. Bien, se utilizan servidores de aplicaciones, servidores web, Amazon S three bucket. Entonces solo queremos saber cómo nos va a explicar eso. Entonces ahora se puede ver que ha seguido adelante y miró el diagrama y comenzó a dar la explicación de la descripción del mismo. ¿Bien? Entonces tenemos toda la información aquí mismo de manera estructurada proporcionada aquí mismo. Entonces ese puede ser un caso de uso. El otro caso de uso que vamos a ver es construir una app sencilla. Digamos una aplicación STM o JavaScript. Entonces vamos a pedirle que construya esta app para nosotros. Entonces esta es una aplicación principalmente, cual va a hacer un sencillo trabajo de subir un video desde nuestra computadora, y luego iniciará el video, parará el video, pausará el video ¿Bien? Entonces eso es lo que queremos construir. ¿Bien? Entonces aquí va a seguir adelante y generar el código para nosotros, o códigos STML como pueden ver, ¿bien? Se ha creado lo que se ha creado. Entonces lo que podemos hacer es que puedas copiar esto. También puedes guardarlo y luego ejecutarlo también. Déjame mostrarte cómo funciona realmente este código. Se trata de un archivo SML de índice. Entonces tenemos eso aquí, y puedes ver así es como va a funcionar realmente la app. Vas a subir, digamos, un video. Entonces podemos iniciarlo. Su Bienvenida a esta sesión. En esta sesión, veremos cómo podemos hacer uso de la función de crear videos. Lo que también podemos ver en Asset lab. Como puedes ver, también es que los botones están funcionando correctamente también. Así es como podemos hacer uso del copiloto de Github para construir aplicaciones de código también, lo que puede hacer fácilmente y esto realmente puede ayudar a mejorar la calidad de nuestro trabajo 59. Caso de uso: generación de imágenes y videos con Amazon Nova: Hola, chicos. Bienvenidos a esta sesión. En esta sesión veremos cómo podemos hacer uso de las herramientas de GN AI para la generación de imágenes y videos. Entonces para esto, vamos a hacer uso de Mid journey y la IA desbocada. ¿Bien? Entonces vamos a echarle un vistazo. Entonces el primero que vamos a ver es a mediados de viaje, que es lo que vamos a utilizar para la generación de imágenes. Entonces echemos un vistazo a un par de ejemplos de cómo va a ser esto. Entonces digamos que vamos a hacer con el primero, que va a ser un baile de graduación bastante descriptivo que vamos a dar donde queremos seguir adelante y crear esta imagen en particular, que es principalmente una reina siendo llevada en un palanquín junto con su El palanquín está ricamente decorado. La reina parece mirar desde el palanquín, y hay exuberantes tierras de cultivo verdes a ambos lados ¿Bien? En el telón de fondo hay colinas con mucha vegetación. Para que puedas ver cómo la herramienta mid journey es capaz generar la imagen basada en el prompt dado aquí mismo. Entonces ahora tenemos la imagen creada. Como puedes ver, así es como se ve la imagen ahora con la ayuda del prompt de texto que le hemos dado. Tomemos otro ejemplo de esto y veamos cómo funciona eso. Este es un ejemplo un poco diferente donde queremos tener un anuncio de pasta de dientes creado, donde una dama está sosteniendo la pasta de dientes en su mano y un cepillo en la otra bien, el nombre de la marca es Hello Sunshine. Bien, queremos asegurarnos de que la ortografía sea correcta. Bien, entonces veamos cómo funciona esto. Entonces todas estas van a ser generaciones de imágenes, generaciones imágenes de IA, lo que estamos tratando de hacer. Mid journey se especializa en la generación de imágenes, imágenes generadas por IA , que puede crear, como puedes ver aquí, y es capaz de crear aquellas con las especificaciones proporcionadas. Entonces ahora tienes las imágenes construidas. De esta manera en particular, y luego podemos revisarlos también. Se ve bien o no. Para que podamos ver el contexto. Se ve bastante claro ya que en los detalles son propios aquí también. Entonces ahora tenemos la generación de imágenes. Como puedes ver, lo estamos haciendo con mid journey. Lo siguiente va a ser la generación de video. Echemos un vistazo a la IA de la pista. Se trata de la IA de pista, que podemos usar para la generación de video, que es texto a video Aquí es donde puedes darle un prompt. Digamos que le estamos dando un prompt, que es mostrar un clip de video en erupción, mostrar una toma aérea del volcán tomada de un helicóptero, capturar detalles como la explosión debería estar apareciendo, flujo de lava, nubes de polvo, todo esto lo queremos ver sucediendo en el video Bien, entonces ahora, esta va a ser una generación de video, que va a tomar comparativamente más tiempo que la generación de imágenes, como puedes ver, y la herramienta es capaz de hacer eso, que es como vas a crear estos idealmente para tu trabajo Y se puede ver cómo estas herramientas de G AI se han vuelto mucho más detalladas y mucho más sabias en cuanto a calidad se han vuelto mucho más efectivas a lo largo de los años debido al cálculo que está sucediendo en el back end, la cantidad de datos que tienen ahora Y por ello, las salidas se han vuelto mucho más refinadas. Entonces tiene sentido que siempre que estemos usando estas herramientas GenEI, las podamos usar principalmente para nuestro trabajo Y a lo largo del tiempo, verá, um, muchas de estas herramientas se vuelven mucho más mejores, precisas y nos dan información mucho más precisa, um, y que se puede usar sin ningún cambio. Entonces aquí, lo que estamos construyendo es un video principalmente con la ayuda de la pasarela ML ¿Bien? Entonces echemos un vistazo a cómo va a resultar esto. Entonces se puede ver que toda la idea es que estas herramientas, habrá múltiples herramientas. Open AI también ha creado su plataforma de IA de video, que es SoraH sido creada De igual manera, Google Gemini , otras herramientas, también lo han hecho. Veamos cómo funciona este video ahora. Se trata de un video de 5 segundos creado con la ayuda de este prompt. Espero que esto tenga sentido. Ahora tengo que entender cómo podemos hacer uso de estas herramientas Gen AI para la generación de imágenes y videos. 60. Cómo la IA está interrumpiendo la búsqueda: Hola, chicos. Bienvenidos a esta sesión. En esta sesión, hablaremos sobre cómo IA está realmente interrumpiendo la búsqueda Entonces, si nos fijamos en los mejores jugadores en la búsqueda por cuota de mercado. ¿Bien? Entonces en este momento, como puedes ver, Google es el líder más alto en ese espacio en particular con la cuota de mercado rondando el 89% Y luego hay otros actores en este mercado en particular. El ingreso estimado es aproximadamente 175 mil millones de ingresos de búsqueda, lo que estamos hablando. Ahora bien, si nos fijamos en el ingreso total que Google ha hecho en 2024, hace dos años, era un total de 348 mil millones de dólares de los cuales aproximadamente 200 mil millones provenían solo de la búsqueda de Google Ahora las cosas son si lo miras, cómo era la búsqueda antes de la IA. Entonces fue tan sencillo como esto donde vendría un usuario y como pregunta, hace una consulta de búsqueda en Google, y va a las páginas de resultados de búsqueda donde hay anuncios pagados, y luego hay listados orgánicos. Entonces la gente estaría haciendo clic en cualquiera de ellos y luego van al sitio web, obtienen esa información. Ese ha sido el proceso desde hace décadas. Pero ahora si lo miras, todo este modelo está cambiando debido a que la IA entra en escena. Ahora el viaje del usuario es tal donde viene un usuario tiene una pregunta, hace una consulta de búsqueda, y luego hay un servicio impulsado por IA. resumen de IA aparece en la página, como puedes ver, habrá respuestas dadas por el Google Gemini o cualquier otra herramienta de IA, y no se requiere clic. Esta información se proporciona. Puede haber posiblemente la opción de chatear con el agente si es necesario y luego vienen los resultados de búsqueda pagados y orgánicos en la parte inferior de la página, en los que la gente puede tender a hacer clic. Ahora bien, debido a este cambio que está ocurriendo, hay muchas implicaciones en la búsqueda, que hemos visto hasta ahora. Bien. Entonces, en general, es un cambio de paradigma completo que está sucediendo de un motor de búsqueda que era un proveedor de información a un nuevo motor de búsqueda impulsado por IA, que es un proveedor de soluciones. Entonces aquí, la IA genera la respuesta. Hace el trabajo, da soluciones directas. Entonces es una solución personalizada que antes, lo que estaría sucediendo era que estaríamos obteniendo una información cruda, una lista de enlaces que se nos están proporcionando. Había anuncios en la parte superior en los que la gente haría clic y había un ingreso proveniente de los clics. Entonces fue más centrado en el sitio web específicamente. Pero ahora, si lo miras, todo está avanzando hacia soluciones directas que estás brindando al usuario. El modelo de ingresos está cambiando de anuncios de CPC a suscripciones de IA o acceso a API El sitio web AI Centric es hacia donde nos dirigimos en este momento. Entonces es un cambio completo en cuanto a cómo funcionan o se comportan las cosas en la búsqueda en Google específicamente. Y por lo que ahora, lo que significa para la publicidad web es que habrá muchas implicaciones. Habrá mucho impacto. En primer lugar, obviamente, verás mucha caída en el tráfico del sitio web orgánico porque ahora los adultos de búsqueda orgánica están llegando al final de la página, la segunda mitad de la página. ¿Bien? Anuncios, SEO podría no tener tanto impacto. Bien, porque la mayoría del tráfico proviene principalmente de agentes de IA, ¿de acuerdo? Necesitamos repensar cómo van a funcionar ahora los sitios web, las aplicaciones móviles, las webs porque los usuarios ya nunca hacen clic en tu sitio ahora, ¿de acuerdo? Está surgiendo una nueva pila de IA, que es principalmente agentes de IA estarán ahí interfaces de voz, chatbards, bases de conocimiento impulsadas por ag están reemplazando la forma tradicional de propiedades web, que hemos visto hasta ahora Y luego habrá nuevos modelos de negocio por las startups, entrarán en escena nuevos modelos de negocio que están más inclinados hacia la optimización EISO, optimización motores de respuesta, capacitación LLM, licencias de datos, agentes de IA, comercio nativo de IA, todos estos entrarán en escena en los próximos años Entonces ves a lo largo de un periodo de tiempo, la búsqueda que hemos visto, que conocemos desde hace décadas va a evolucionar y cambiar en una dirección diferente, más personalizada hacia esta revolución de la IA que estamos viendo, e impulsará a dar una solución más mejor a nuestros usuarios finales. Espero que esto tenga sentido. Tengo que entender ahora la IA cómo la búsqueda se está impactando fuertemente debido a la revolución de la IA que estamos viendo en este momento. 61. El futuro, los trabajos y las certificaciones: Hola, sí. Bienvenidos a esta sesión. En esta sesión, hemos querido entender los futuros escenarios laborales y certificaciones relacionadas con GenITi Lo que podemos esperar ahora que suceda en el futuro. Lo que estamos viendo ahora mismo es que GeneI está evolucionando a un ritmo rápido Ahora mismo están surgiendo muchas herramientas nuevas. También las herramientas actuales que tenemos las más destacadas están mejorando regularmente. Hay una gran mejora y un enorme compromiso, evolucionar evolución, que está sucediendo con restogenera Y ahora, lo que también estamos viendo es que hay mucho cambio de ideas a implementación. Entonces, en lugar de experimentar con las herramientas ahora, gente ha comenzado a utilizarla en el trabajo diario, en el trabajo, también a nivel personal Por lo que ha comenzado la implementación. Y lo que verá eventualmente es también que habrá modelos específicos más pequeños de estos LLM que se crearán para casos de uso específicos Un ejemplo simple pueden ser GPTs personalizados que podemos crear ahora a través Open AI donde cualquiera puede crear un GPT personalizado para cualquier caso de uso y todos pueden usar eso Entonces esos van a pasar más. Verás salir más modelos de este tipo. Y luego también puede haber una fusión de IA multimodelo, que es principalmente en este momento como entendemos, estas LLM pueden estar basadas principalmente en texto, pero verás en el futuro, puede ser para imágenes así como videos Entonces todo eso evolucionará y surgirá en un futuro cercano. Lo que también vamos a ver paralelo va a ser una gran cantidad de regulaciones y restricciones, políticas de responsabilidad que van a entrar en escena porque obviamente los gobiernos querrían regular este tipo de tecnología para el caso de uso adecuado. Ahora bien, una cosa que se está volviendo muy clara es que IA generativa avanzará más y crecerá mucho más y la adopción va a aumentar Lo que hemos visto prácticamente, y esto son hechos reales de Gartner de que más del 80% de las empresas de la compañía ya están han comenzado a usar IA generativa en su Entonces, una gran pregunta que viene por todo esto es que va a esto en el futuro, ¿reemplazará a los empleos humanos? Entonces, ¿cómo queremos verlo de esta manera que va a haber un cambio de habilidades, lo que está sucediendo, y va a crear nuevas oportunidades de trabajo, ¿de acuerdo? Entonces como habíamos visto anteriormente en las últimas dos, tres décadas, que hay mucho requerimiento para las personas que podrían hacer codificación o computadoras entraron en escena. Entonces hubo mucho cambio de conjunto de habilidades que sucedió esa vez. Lo mismo está pasando ahora otra vez. Entonces esta vez, lo que también vamos a ver es que habrá más impacto de esto en los trabajadores del conocimiento, que es más sector TI principalmente, lugar de otros sectores que tanto porque como ustedes entienden la tecnología puede ser muy útil para la generación portuaria. Otros sectores donde puede ser realmente impactante ya que verás operaciones de clientes, legal, marketing y ventas, ingeniería de software, RN como entiendes, todas estas cosas se pueden automatizar Se puede generar documentación legal, pueden generar materiales de marketing. Las operaciones personalizadas se pueden configurar a través de GBTs personalizados, se pueden generar códigos de ingeniería de software Entonces todos estos se verán fuertemente impactados debido a la revolución de la IA. Pero al mismo tiempo, también verás aumentar mucha productividad humana porque la calidad del trabajo será mejor. Los maestros tardarán menos tiempo en crear planes de estudios. Bien, los ingenieros de software tardarán mucho menos tiempo en generar código, revisarlo y construir mejores códigos. Así, la calidad del trabajo va a mejorar en el futuro. Entonces de nuevo, nos vuelve la pregunta de que va a tener un impacto enorme en los trabajos humanos. Entonces mi opinión o en general, lo que puedo decir aquí es que no del todo va a sustituir a los trabajos humanos completos. Primero necesitaremos usarlo como una herramienta. Tendremos que aprenderlo y comenzar a usarlo en nuestro trabajo como asistente. Por lo que tenemos que verlo como un ayudante, un trabajador muy eficiente que tienes en la mano ahora, que puedes usar para hacer preguntas y entender cosas complejas y hacer tu trabajo más fácil con él. Entonces la idea se convierte en que necesitamos comenzar a mirar cómo podemos hacer uso de él para que podamos producir nuestro trabajo, podamos generar nuestro trabajo de una manera mucho más rápida, de una manera de alta calidad. En el futuro, lo que va a reemplazar son las personas que no entienden o usan la IA frente a quien anota. Espero que esto tenga sentido. Espero que entiendas ahora las implicaciones de la herramienta de IA y cómo va a evolucionar en el futuro en el futuro. 62. El camino hacia la inteligencia general artificial (AGI): Hola, chicos. Bienvenidos a estas sesiones. En esta sesión, hablaremos sobre el camino hacia AGI, Inteligencia General Artificial. La inteligencia artificial va a ser una transición de la configuración actual de IA que tenemos a una IA general o AGI, que la llamamos. Ahora bien, esto se compone de múltiples cosas. Como puedes ver, habrá razonamiento, sentido común, aprendizaje, creatividad, aprendizaje por transferencia, planeación. Todos estos son parte de ello. Mientras que actualmente lo que nos encontramos tiene mucho reconocimiento de voz, reconocimiento imágenes, modelos de lenguaje, juego, detección de objetos. Todos estos están ocurriendo. También se está invirtiendo mucho dinero en AGI, y hay muchos técnicos que en realidad están trabajando hacia AGI, pero aún es muy incierto saber para cuándo lo vamos a lograr Ahora lo que es principalmente AGI, Inteligencia General Artificial es un sistema hipotético de IA, que es capaz de realizar cualquier tarea intelectual que un humano pueda con la misma amplitud, flexibilidad Esa es la idea primaria. No solo una tarea, sino múltiples tareas. Puede aprender como un humano entiende principalmente el contexto, consciente de los límites. Todo eso está sucediendo simultáneamente, y ahí es donde se sienta AGI. Ahora bien, si nos fijamos en el modelo actual, las características clave del AGI van a una amplia competencia, en donde se tiene competencia de digamos que es un sistema que está haciendo múltiples tareas, diagnóstico, enfermedades, derechos, escritos legales Todos estos van a ser los objetivos de AGI. Idealmente, un AGI ampliamente competente no solo se destaca en un área especializada, que se desempeña en o por encima los niveles humanos a través de una amplia gama de tareas cambiando entre ellos de manera fluida, así como una persona puede cocinar el desayuno, redactar un correo electrónico y resolver un problema matemático todo en Advertencia. Entonces esa es la idea. Ahí es donde planea llegar. Y ahora mismo, estas son diversas características que encontrarás. El otro aspecto de la misma es el aprendizaje por transferencia. Por lo que AGI aplica las habilidades de un dominio a otro. Entonces, básicamente, aprende una habilidad particular y ahora puede implementarla en otros dominios también. ¿Bien? Razonamiento del sentido común habrá entendiendo reglas no declaradas, algo así como un vaso caerá si se empuja de una mesa, ¿verdad No debes ofrecer ojos a alguien que llora. ¿Bien? Entonces todos estos son algo que el LLM actual estimula, pero este AGI realmente lo internalizará eventualmente. Luego también está el aprendizaje autónomo, que está aprendiendo continuamente de experiencias en vivo, experiencias y creciendo su propio pensamiento sobre cómo perseguir cosas diferentes en el futuro. Esa es la idea de AGI. Otro aspecto de esto es la metacognición, que es cuando se mira metacognición es principalmente una capacidad para monitorear, evaluar y regular Entonces, pensando en cómo se debe hacer el pensamiento, es lo que permite a un estudiante darse cuenta que no entendía un concepto y volver a leer. Bien, entonces auto monitoreo, principalmente, auto monitoreo, comprensión de lo que estás aprendiendo, en qué estás pensando, detección de errores, dónde estás cometiendo los errores, calibración de confianza, digamos que estoy 90% seguro o no sé con precisión. Entonces calibración de confianza, ¿cómo se hace eso? Cambio de estrategia, cuándo cambiar tu estrategia en base a ciertos razonamientos, cierto pensamiento es lo que AGI sería capaz de hacer Ahora si nos fijamos en donde estamos hoy, el estado actual es que tenemos diferentes modelos, DPT 5.2 está ahí, tra Gemini, uh, ultra está ahí, Alpha fold Todos estos están ahí ahora mismo, pero hay ciertas limitaciones del mismo. Si lo miras, la razón por la que todavía no estamos en AGI se debe principalmente a la estrecha experiencia. No tenemos aprendizaje continuo lo que está sucediendo, no hay autoconciencia, los LLM tienen ahora mismo ineficiencia de los recursos está ahí, no se ha creado ningún modelo mundial aún no se ha creado ningún modelo mundial y un razonamiento quebradizo Ahora, la brecha que existe principalmente, la IA actual sobresale dentro de su distribución de capacitación Por lo que los datos de entrenamiento, que ha estado ahí, dependen de eso. Entonces, los desafíos principalmente es que la planificación de AGI, la IA actual depende de ver patrones de entrada, coincide con los datos de entrenamiento, respuesta estadísticamente probable, mientras que la planificación de AGI entiende la estructura de objetivos, ¿verdad? Modela pausa y efecto, planos, múltiples secuencias de pasos múltiples. Todos estos van a estar ahí. Ahora, los elementos actuales predicen el siguiente token. Realmente no lo planean. Cuando se les pide que resuelvan problemas novedosos de varios pasos, unen pasos de sonido plausibles que a menudo colapsan Entonces mientras que si nos fijamos en AGI, lo que necesita es la descomposición jerárquica de objetivos del modelo mundial causal descomposición jerárquica de objetivos del modelo mundial Y de manera similar, va a ser mucho reto el que enfrenta AGI, y va a llevar mucho tiempo llegar ahí. El segundo son los modelos mundiales o el sentido común. Entonces en estos momentos no hay un modelo mundial. IA no predice que la copa caerá o se derramará cuando se empuja. Mientras que el modelo mundial AGI mira un escenario donde entiende que entiende el sentido común, que es la gravedad tira hacia abajo, flujos de líquido u objetos tienen masa. Todos estos son modelos mundiales de sentido común que tiene que ser, que el AGI aún necesita entender y para que se requiere mucho cálculo en este momento Otro es el aprendizaje continuo. Entonces, el aprendizaje continuo es algo que no está sucediendo ahora mismo con AGI es lo que estamos viendo en donde habrá aprendizaje continuo, los humanos aprenderán nuevos hechos sin olvidar los viejos, Los cerebros consolidan los recuerdos durante el sueño. Todas estas van a ser capacidades de AGI eventualmente y lo que no está sucediendo con los modelos actuales de LLM Entonces la predicción es esta ahora mismo. Entonces ahora mismo, lo que se está pronosticando es que somos Agentic AI va a tener lugar, bien. Finalmente, la idea es que el AGI completo, optimista es para 2045 está en algún lugar así Consenso, la mayoría de los expertos dicen que para 2060, deberíamos estar llegando o llegando a AGI completo Y luego hay 2,100 también, que es el ritmo actual aguanta Pero hay líderes tecnológicos específicos que también tienen muy optimistas al respecto. Le Altman ha pronosticado alrededor de 2029, 2032, deberíamos poder llegar a AGI Elon Mas 2026 a 2029 Rayo 2029 a 2045, y así sucesivamente y así sucesivamente. Entonces, como puede ver, AGI será diez veces mucho mejor que los módulos LLM que estamos usando en este momento y es una bolsa mixta en este momento considerando cómo se utilizará en ese momento Por lo tanto, tiene que haber una gran cantidad de procesos que se deben poner en marcha para regular el uso de AGI cuando entre en imagen en el futuro. Espero que esto tenga sentido. Tengo que entender el concepto de AGI y cómo va a impactar al mundo en el futuro. 63. oportunidades de carrera en IA generativa: Hola. Bienvenidos a esta sesión. En esta sesión, hablaremos sobre las diversas oportunidades de carrera que están sucediendo en la IA genitiva Entonces, en este momento, como ves, debido al aumento en la tecnología de IA, muchas oportunidades de carrera están surgiendo y creciendo en este momento. Casi podemos decir 14 millones más de empleos de IA a nivel mundial están sucediendo, y están creciendo a un 40% año tras año de crecimiento. Ahora, todo esto está sucediendo debido a que las carreras de IA han explotado en varias compañías de tecnología como OpenAI, Grok también y muchas otras compañías en las que todas estas empresas están tratando incorporar tecnologías de IA en sus negocios Ahora bien, si nos fijamos en los roles técnicos que se avecinan en este momento son los roles de ML, ingeniero de ML, investigador de IA, ingeniero de mLOPS, científico de datos que tienen la capacidad de conocer estas tecnologías, y se les paga generosamente por hacer este tipo de trabajo en particular Ahora, específicamente ML, las responsabilidades clave de los ingenieros de aprendizaje automático van a ser diseñar y construir modelos de aprendizaje automático, optimizar el rendimiento del modelo, integrar modelos de IA en API y luego afinar los modelos básicos también, ejecutar varias pruebas AB o experimentos AB, colaborar con investigadores, gerentes de producto y equipos de datos Entonces su conjunto de habilidades técnicas requeriría Python, Pytorch, flujo tensor Todos estos, deberían estar conociendo Cloud, AWS, SAGeMaker, Docker, gate Linux Todo esto será el requisito para los ingenieros de ML de manera similar, los científicos de investigación de IA principalmente van a estar trabajando en el desarrollo de nuevos algoritmos de IA, realizando y publicando investigaciones de revisión por pares, diseñando experimentos controlados, entrenando y evaluando modelos de cimientos grandes, y así sucesivamente y así sucesivamente Su conjunto de habilidades estaría alrededor de PhD y ML, CS, matemáticas, cálculo avanzado, PyTorch, escritura académica fuerte Todos estos serían necesarios. Luego viene ML Ops, ingenieros y científicos de datos, en donde ML Ops buscará construir ductos CICD, monitorear la deriva de modelos, contenerizar los modelos con Docker, mientras que los científicos de datos se enfocarán en explorar y limpiar conjuntos de datos, construir modelos predictivos, crear paneles ejecutivos, diseñar ingenieros y científicos de datos, en donde ML Ops buscará construir ductos CICD, monitorear la deriva de modelos, contenerizar los modelos con Docker, mientras que los científicos de datos se enfocarán en explorar y limpiar conjuntos de datos, construir modelos predictivos, crear paneles ejecutivos, diseñar y analizar ABTS. Aparte de esto, si nos fijamos en los roles no técnicos que se presentan ahora en el espacio de IA, van a estar alrededor de ingeniería rápida, gerente de producto de IA, especialista en ética de IA. Entonces, la ingeniería rápida básicamente está diseñando indicaciones de IA para una precisión máxima. Y esta es una alta demanda emergente en estos momentos para cualquier empresa de IA. Mientras que un gerente de producto IA define qué productos de IA pueden construir y por qué, acortando la brecha entre ingenieros, usuarios y negocios Y esta es una regla de rápido crecimiento que está surgiendo ahora mismo. Mientras que la ética de la IA garantiza específicamente que los sistemas de IA sean justos, imparciales, seguros y que los antecedentes conformes deben estar en derecho, filosofía o trato de políticas Ahora, si nos fijamos en los otros aspectos, va a ser la ingeniería rápida, los gerentes de productos de IA, sus roles van a estar más enfocados en la cadena de pensamiento, el refinamiento rápido iterativo, la construcción de bibliotecas rápidas reutilizables construcción Todos estos van a ser roles de la ingeniería rápida, mientras que el gerente de producto de IA va a definir la visión del producto, priorizar la hoja de ruta de características de IA en ella, realizar investigaciones de usuarios para encontrar oportunidades de automatización de IA de alto valor, establecer métricas de éxito para las funciones de IA Ahora, si nos fijamos en la ética de la IA, hay un especialista en ética de IA, estratega de contenido de IA, reglas de entrenadores de IA que también están surgiendo donde una ética de IA es principalmente porque hay muchos gobiernos en todo el mundo que están aprobando regulaciones de IA Las empresas necesitan especialistas que puedan garantizar los sistemas de IA sean auditados, documentados y conformes Mientras que los estrategas de contenido de IA son necesarios porque la IA puede generar varios tipos de contenido, y se necesita una intervención humana para definir el tono, los estándares de precisión, los flujos de trabajo editoriales, las bibliotecas rápidas Mientras que los entrenadores de IA van a ser útiles porque modelos como ChatGPT Cloud son entrenados usando RL HF y retroalimentación, y se necesitan evaluadores humanos para calificar esos resultados y dar los mejores resultados a partir de ahí Entonces, aparte de estos, también se avecinan muchos roles híbridos, que pueden ser la IA en la atención médica, que es analista radiólogo de IA, consultores legales de IA, estratega de W AI, diseñadores curriculares de IA, artistas generativos Entonces estos son todos otros roles diferentes que están entrando, que son reglas híbridas, en las que tienes una experiencia de dominio, y ahora también te has especializado en IA, y eso es lo que va a hacer también. Entonces este curso en particular que estamos haciendo realmente puede funcionar en esta sección en particular donde si vienes de algún campo específicamente y tienes experiencia en IA contigo, para que puedas implementarlos en tu campo muy fácilmente. Espero que esto tenga sentido. Espero que entiendas ahora las diversas oportunidades de carrera que están creciendo enormemente ahora en el espacio de la IA y cómo puedes utilizarlas en tu 64. ¡Gracias por tomar esta clase!: Hola, chicos. Enhorabuena por llegar al final de esta clase. Gracias una vez más por tomar esta clase. Espero que el contenido sea valioso y entiendas estos conceptos ahora a fondo y puedas aplicarlos prácticamente en tu negocio y para tus clientes. Gracias una vez más y estoy muy emocionada volver a verte pronto en una nueva clase.