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

Summary

En este video aprenderás las bases de la Inteligencia Artificial, incluyendo conceptos clave como Machine Learning, Deep Learning y IA generativa. A través de un resumen del curso de Google para principiantes, descubrirás cómo funcionan tecnologías como ChatGPT, Gemini y MidJourney. Con explicaciones claras y sencillas, entenderás cómo los ordenadores pueden aprender a resolver problemas por sí mismos, haciendo predicciones basadas en datos. Además, se exploran las diferencias entre modelos supervisados y no supervisados, y el poder de las redes neuronales para procesar grandes cantidades de información.

Takeaways

• 🤖 La inteligencia artificial (IA) es una disciplina que busca crear sistemas capaces de razonar, aprender y actuar de forma autónoma.
• 🧠 El Machine Learning es una rama de la IA que permite a las computadoras aprender de datos sin ser programadas explícitamente.
• 📚 El Deep Learning es una subcategoría del Machine Learning que utiliza redes neuronales para identificar patrones complejos en grandes cantidades de datos.
• 📊 Los modelos supervisados utilizan datos etiquetados para entrenar y hacer predicciones, como identificar si un correo es spam.
• 🔍 Los modelos no supervisados descubren patrones en los datos no etiquetados, agrupándolos según características comunes.
• 💻 Las redes neuronales artificiales están inspiradas en el cerebro humano, y son capaces de procesar y aprender de grandes volúmenes de información.
• ✉️ El aprendizaje semisupervisado combina datos etiquetados y no etiquetados, permitiendo a los modelos mejorar su precisión con menos información manual.
• 🧬 La IA generativa no clasifica datos, sino que crea nuevos contenidos basados en patrones aprendidos, como imágenes, texto o audio.
• 🎨 Herramientas como ChatGPT o MidJourney son ejemplos de IA generativa que permiten generar texto e imágenes respectivamente.
• 📈 Los grandes modelos de lenguaje (LLMs) como ChatGPT son entrenados con vastas cantidades de datos para comprender y generar texto en lenguaje natural.

Q & A

¿Qué es la inteligencia artificial (IA)?

La inteligencia artificial es una disciplina que busca construir sistemas inteligentes capaces de razonar, aprender y actuar de forma autónoma, similar a como la física es una disciplina dentro de la ciencia.

¿Qué diferencia hay entre Machine Learning y Deep Learning?

El Machine Learning permite a las máquinas aprender a resolver problemas sin ser programadas explícitamente, mientras que el Deep Learning es una subcategoría del Machine Learning que utiliza redes neuronales artificiales para identificar patrones más complejos y trabajar con grandes cantidades de datos.

¿Cuáles son los dos tipos más comunes de modelos de Machine Learning?

Los dos tipos más comunes son los modelos supervisados, que utilizan datos etiquetados, y los modelos no supervisados, que trabajan con datos no etiquetados para encontrar patrones.

¿Qué es un modelo supervisado y cómo funciona?

Un modelo supervisado usa datos etiquetados para entrenarse. Por ejemplo, con fotos de manzanas y naranjas etiquetadas, el modelo aprende a distinguir entre ellas y luego puede hacer predicciones con fotos nuevas.

¿Cómo se diferencian los modelos supervisados y no supervisados en términos de errores?

Los modelos supervisados comparan sus predicciones con los datos de entrenamiento y tratan de aprender de los errores para reducirlos. Los modelos no supervisados no hacen esta comparación ya que trabajan con datos no etiquetados.

¿Qué son las redes neuronales artificiales?

Las redes neuronales artificiales están inspiradas en el cerebro humano. Procesan datos a través de nodos o neuronas interconectadas que permiten a la máquina aprender y reconocer patrones complejos.

¿Cómo funciona el aprendizaje semi-supervisado?

En el aprendizaje semi-supervisado, se entrena un modelo con una combinación de datos etiquetados y no etiquetados. Por ejemplo, en un banco, un 5% de las transacciones pueden estar etiquetadas como fraudulentas o no, y la red neuronal usa esa pequeña cantidad de datos etiquetados para aprender y luego clasificar las transacciones no etiquetadas.

¿Qué es la IA generativa y cómo se diferencia de la discriminativa?

La IA generativa crea datos similares a los que ya tiene, como imágenes o textos, mientras que la IA discriminativa clasifica datos, como identificar si una imagen es de un perro o un gato.

¿Cuáles son algunos ejemplos de herramientas que utilizan IA generativa?

Algunos ejemplos de herramientas de IA generativa incluyen ChatGPT (texto a texto), MidJourney (texto a imagen) y Runway (texto a video). Estas herramientas generan contenido en base a los datos con los que han sido entrenadas.

¿Qué es un modelo grande de lenguaje (LLM) y para qué se utiliza?

Un LLM es un modelo de lenguaje de gran escala diseñado para comprender, generar y responder en lenguaje natural. Se utiliza en chatbots, traducción de texto, generación de contenido como artículos y correos, y puede entrenarse en áreas específicas como leyes o medicina para realizar predicciones en esos campos.

Outlines

00:00

🤖 Introducción a las bases de la inteligencia artificial

En este video aprenderás las bases de la inteligencia artificial (IA), desde su origen hasta la tecnología detrás de ella. Se abordarán conceptos como machine learning, deep learning y modelos generativos, así como herramientas como ChatGPT, Gemini, y otras que probablemente hayas utilizado. El objetivo es explicar estos conceptos de manera sencilla para principiantes, destacando que la IA es una disciplina enfocada en la creación de sistemas inteligentes capaces de aprender, razonar y actuar de manera autónoma.

05:00

📊 Machine Learning: Aprendizaje automático

El machine learning es una rama de la IA que permite a las computadoras aprender a resolver problemas sin ser programadas explícitamente. Funciona a través del uso de datos para entrenar modelos que luego pueden hacer predicciones con nueva información. Por ejemplo, se pueden entrenar modelos para distinguir entre fotos de manzanas y naranjas, o para predecir si un correo es spam. Se explican los dos tipos más comunes de machine learning: modelos supervisados (datos etiquetados) y no supervisados (datos sin etiquetas).

10:02

🧠 Deep Learning: Redes neuronales artificiales

El deep learning es un tipo de machine learning que utiliza redes neuronales artificiales para analizar patrones más complejos en grandes cantidades de datos. Estas redes están inspiradas en el cerebro humano y permiten que los modelos aprendan de manera más profunda, incluso con datos no etiquetados. Se da un ejemplo de cómo un banco podría usar redes neuronales para detectar transacciones fraudulentas con solo un pequeño porcentaje de datos etiquetados. También se mencionan servicios como YouTube y Netflix, que usan estas redes para hacer recomendaciones personalizadas.

🌐 Modelos discriminativos vs. generativos

El deep learning se divide en modelos discriminativos y generativos. Los modelos discriminativos aprenden a clasificar datos etiquetados, como identificar si un correo es spam o si una imagen es de un perro o un gato. Los modelos generativos, en cambio, crean nuevos datos basados en los patrones aprendidos de datos no etiquetados. Un ejemplo es la generación de una nueva imagen de un perro a partir de las características aprendidas de fotos previas. Se destaca cómo los modelos generativos, como ChatGPT o MidJourney, pueden generar respuestas en lenguaje natural, imágenes o audio.

💬 Grandes modelos de lenguaje (LLMs)

Los grandes modelos de lenguaje (LLMs) son parte del deep learning y están diseñados para comprender, generar y responder texto en lenguaje natural. Se entrenan con grandes volúmenes de datos y aprenden patrones del lenguaje, lo que les permite predecir palabras o frases futuras en un texto. ChatGPT es un ejemplo de un modelo LLM que puede generar respuestas basadas en los datos con los que fue entrenado. Además, se menciona que estos modelos pueden ser ajustados (fine-tuning) para áreas específicas como derecho o medicina, siendo utilizados por grandes empresas en diferentes sectores.

🎓 Conclusión y próximos pasos

El video concluye resaltando que lo presentado es solo el 1% de lo que la inteligencia artificial puede ofrecer, ya que es una disciplina vasta y en constante crecimiento. Si lo que se ha explicado te ha despertado más curiosidad por aprender, se invita a continuar explorando con el curso gratuito de Google que se menciona en la descripción del video. También se promete más contenido relacionado en futuros videos.

Keywords

💡Inteligencia Artificial (IA)

La Inteligencia Artificial es una disciplina de la ciencia que busca crear sistemas capaces de razonar, aprender y actuar de manera autónoma. En el video, se describe como un campo amplio que incluye diversas tecnologías, como el Machine Learning y el Deep Learning, que permiten a las máquinas tomar decisiones o generar contenidos. Un ejemplo mencionado es cómo la IA puede aprender a identificar patrones en fotos de frutas y predecir si una imagen es de una manzana o una naranja.

💡Machine Learning

El Machine Learning o aprendizaje automático es una rama de la IA que permite a las computadoras aprender a partir de datos sin ser programadas explícitamente. En el video se explica que este proceso usa datos para entrenar un modelo que puede hacer predicciones, como cuando un modelo es entrenado para distinguir entre fotos de manzanas y naranjas. Se destaca cómo esta tecnología ha sido crucial en el desarrollo de sistemas de recomendación y predicción.

💡Deep Learning

El Deep Learning o aprendizaje profundo es un tipo de Machine Learning que utiliza redes neuronales artificiales para aprender de grandes cantidades de datos. A diferencia del Machine Learning tradicional, el Deep Learning puede detectar patrones complejos. En el video se menciona cómo esta técnica se aplica a sistemas como ChatGPT o Gemini, y se utiliza en aplicaciones avanzadas como la clasificación de correos o la identificación de fraudes.

💡Redes Neuronales Artificiales

Las redes neuronales artificiales son estructuras inspiradas en el cerebro humano que permiten que los sistemas de Deep Learning procesen datos y aprendan tareas complejas. En el video, se explica cómo estas redes están formadas por nodos o neuronas interconectadas que aprenden a través de la observación de datos, similar a cómo los humanos aprenden a reconocer objetos, como una mesa. Las redes neuronales son clave para el aprendizaje profundo y el procesamiento de grandes volúmenes de datos.

💡Modelos supervisados

Los modelos supervisados son aquellos entrenados con datos etiquetados, es decir, datos que ya están categorizados. En el video, se usa el ejemplo de fotos de animales con etiquetas como 'perro' o 'gato'. Los modelos supervisados comparan sus predicciones con los datos de entrenamiento para corregir errores y mejorar su precisión. Estos modelos son esenciales para tareas como la clasificación de correos electrónicos en categorías de 'spam' o 'no spam'.

💡Modelos no supervisados

Los modelos no supervisados trabajan con datos no etiquetados y buscan patrones dentro de estos datos. El video menciona cómo estos modelos pueden, por ejemplo, agrupar a personas según su frecuencia de compra y gasto promedio sin necesidad de etiquetas previas. Son útiles para descubrir relaciones en los datos que no son evidentes a simple vista, como la segmentación de clientes en un supermercado.

💡IA generativa

La IA generativa es un tipo de IA que no solo clasifica datos, sino que genera nuevos datos basados en los patrones que ha aprendido. En el video, se explica cómo puede generar texto, imágenes o incluso videos a partir de entradas de texto, como en el caso de herramientas como MidJourney para generar imágenes. La IA generativa se usa para crear contenido nuevo en lugar de solo identificar o clasificar información existente.

💡Modelos discriminativos

Los modelos discriminativos son aquellos que clasifican datos basados en las etiquetas aprendidas durante el entrenamiento. En el video, se menciona que estos modelos, por ejemplo, pueden predecir si un correo es 'spam' o 'no spam'. Este tipo de modelos se enfocan en distinguir entre diferentes categorías y son fundamentales en tareas de clasificación dentro del Machine Learning.

💡Grandes Modelos de Lenguaje (LLM)

Los Grandes Modelos de Lenguaje, como ChatGPT, son modelos de IA diseñados para comprender y generar texto en lenguaje natural. Estos modelos, entrenados con enormes cantidades de datos textuales, pueden predecir y generar frases coherentes, como se menciona en el video con ejemplos como 'el cielo es azul'. Los LLM son una parte esencial del Deep Learning y se utilizan en tareas como la traducción de textos, chatbots y generación de contenido.

💡Fine Tuning

El 'Fine Tuning' es el proceso de ajustar un modelo de IA, como un LLM, para que sea experto en un tema específico, como medicina o leyes. En el video, se explica cómo las empresas pueden entrenar estos modelos con datos específicos para que proporcionen respuestas especializadas. Esta técnica permite adaptar modelos generales a contextos específicos, maximizando su utilidad en aplicaciones comerciales o especializadas.

Highlights

Vas a aprender las bases de la inteligencia artificial, su origen, tecnología y conceptos clave como Machine Learning, Deep Learning, y IA generativa.

La inteligencia artificial es una disciplina cuyo objetivo es construir sistemas capaces de razonar, aprender y actuar de forma autónoma.

El Machine Learning permite a las computadoras aprender de los datos sin ser programadas explícitamente para ello.

El Machine Learning supervisado usa datos etiquetados para entrenar un modelo que puede hacer predicciones con nuevos datos.

En el aprendizaje no supervisado, el modelo analiza datos no etiquetados y encuentra patrones, agrupando la información de manera autónoma.

El Deep Learning, una subdisciplina del Machine Learning, utiliza redes neuronales artificiales para procesar grandes volúmenes de datos y encontrar patrones complejos.

Las redes neuronales artificiales están inspiradas en el cerebro humano y pueden aprender a identificar patrones a partir de datos etiquetados o no etiquetados.

El aprendizaje semisupervisado permite a un modelo aprender de una pequeña cantidad de datos etiquetados y aplicar ese conocimiento a grandes cantidades de datos no etiquetados.

La IA generativa crea nuevos datos basados en patrones aprendidos de datos existentes, como generar imágenes a partir de descripciones textuales.

Una IA es generativa cuando la respuesta no es un número o clasificación, sino contenido en lenguaje natural, imagen o audio.

Los grandes modelos de lenguaje (LLMs) son sistemas entrenados para comprender, generar y responder en lenguaje natural humano.

ChatGPT es un modelo de lenguaje que predice el siguiente fragmento de texto basándose en el contexto de lo que se le escribe.

El fine-tuning permite especializar un LLM en un área específica, como leyes o medicina, entrenándolo con datos especializados.

Empresas grandes invierten en LLMs, que luego venden a otras compañías para que puedan ajustarlos a sus necesidades específicas.

El Deep Learning se ha dividido en dos tipos: modelos discriminativos (que clasifican datos) y modelos generativos (que crean nuevos datos).

Transcripts

vas a aprender las bases de la

Inteligencia artificial De dónde viene

Qué es la tecnología que hay detrás y

todo esto a través de un resumen que he

hecho del curso de 4 horas de Google

para principiantes si no tienes

conocimientos técnicos Pero quieres

saber más acerca de la Inteligencia

artificial Quédate por aquí porque te lo

voy a explicar de forma muy sencilla vas

a aprender conceptos importantes como el

Machine learning Deep learning y a

generativa conceptos con los que

entenderás qu es chat gpt gemini mid

Journey por ejemplo leven labs

herramientas que utilizas o seguro que

has utilizado Prepárate para aprender de

forma Clara y concisa las bases de la

Inteligencia artificial empezamos por lo

más obvio Qué es la Inteligencia

artificial Se podría decir que la

Inteligencia artificial es una

disciplina al igual que la física lo es

en la ciencia la ia tiene como objetivo

construir sistemas inteligentes capaces

de razonar aprender Y actuar de forma

Autónoma dentro de la Inteligencia

artificial hay un campo que es el

Machine learning aprendizaje automático

dentro del Machine learning está el Deep

learning aprendizaje profundo y el Deep

learning se puede dividir en algo que se

llama modelos discriminativos y modelos

generativos Espera espera No te asustes

que lo acabarás entendiendo todo y luego

están los llms los grandes modelos de

lenguaje que también están dentro del

Deep learning y justo en la intersección

están las tecnologías que conoces como

chat gpt Géminis Claude por ejemplo

entonces teniendo esta estructura en la

cabeza vamos a ver cada nivel en

términos generales el Machine learning

es una forma en que los ordenadores

aprendan a hacer cosas sin ser

programados explícitamente para ello Es

como enseñarle a un ordenador a que

pueda resolver problemas por sí mismo

consiste en un programa que usa datos

para entrenar un modelo piensa que los

datos puede ser cualquier tipo de

información una imagen un vídeo un audio

un email un nombre un teléfono luego ese

modelo entrenado puede hacer

predicciones con datos nuevos por

ejemplo imagina que recopilas fotos de

manzanas y naranjas que son los datos y

las etiquetas según Qué fruta es cada

una manzana naranja naranja manzana el

programa usa esos datos para crear el

modelo y que así pueda distinguir entre

las diferentes etiquetas después del

entrenamiento tienes un modelo que es

capaz de hacer predicciones es decir le

puedes pasar fotos nuevas que serían

nuevos datos Y este podría predecir si

la foto que le pasas es una manzana o

una naranja dos de los tipos más comunes

del Machine learning son los modelos

supervisados y los modelos no

supervisados los modelos super visados

usan datos etiquetados es decir datos

que están categorizados un ejemplo

parecido al anterior si le pasas fotos

de animales las etiquetas podrían ser

perro loro gato Elefante o por ejemplo

esta vez los datos en vez de ser fotos

son correos pues las etiquetas podrían

ser por ejemplo spam o no spam imagina

que eres el dueño de un restaurante y

tienes datos históricos sobre el total

de la cuenta final y las propinas que

dejan las personas además tienes todos

esos datos etiquetados según el el tipo

de pedido que es si es un pedido

recogido o un pedido entregado entonces

usamos todos estos datos para entrenar

al modelo y de todos estos datos el

modelo aprende que cuando el pedido es

entregado la propina suele ser más alta

o que cuando el total de la cuenta es

mayor también la propina suele ser más

alta y así una vez entrenado al modelo

puede predecir la propina que dejará una

persona Según el tipo de cuenta que

tenga y de si el pedido es entregado

recogido los modelos sin supervisión no

están etiquetados se trata de descubrir

mirar a los datos que ten tenemos y

encontrar patrones ver si los datos se

pueden agrupar en este ejemplo tenemos

frecuencia de compra y el gasto promedio

se puede ver que el grupo de personas

que está arriba gastan más pero van

menos veces al supermercado el grupo que

está abajo va más al supermercado pero

gasta menos y se ve también que no son

datos etiquetados si fueran etiquetados

habríamos cosas como por ejemplo la edad

el género Qué productos compra ahora

podríamos preguntarle al modelo Cuánto

dinero se va a gastar una persona la

próxima vez que vaya al supermercado si

sale arriba sabes que gastará más y si

sale abajo sabes que gastará menos un

consejo otra diferencia entre los

modelos de supervisión y no supervisión

es que los modelos de supervisión cuando

hacen una predicción lo comparan con sus

datos de entrenamiento y si la

predicción ha salido mal el modelo trata

de aprender de los errores e intenta

reducir este error es como si le pasas

muchas fotos de manzanas y naranjas y

luego le enseñas una imagen de una

manzana y te dice que es una naranja eso

es un error cosa que los modelos de

supervisión no hacen visto esto vamos

con el Deep learning es un tipo de

Machine learning que utiliza algo que se

llama redes neuronales artificiales lo

que permite encontrar patrones mucho más

complejos que con el Machine learning y

además es capaz de trabajar con una gran

cantidad de datos las redes neuronales

artificiales están inspiradas en el

cerebro humano por ejemplo las personas

si quieren aprender lo que es una mesa

lo hacen a través de la observación y la

asociación lo que hacemos Es observar

diferentes mesas vemos que tienen

características comunes por ejemplo que

tienen una superficie plana patas para

sostenerla luego el cerebro agrupa toda

esta información y se forma una idea

general de lo que es una mesa pues las

redes neuronales funcionan de forma

parecida y se ven algo así se componen

de nodos o neuronas interconectados que

pueden aprender tareas procesando datos

o haciendo predicciones está compuesto a

su vez por capas de neuronas que les

permite aprender patrones más complejos

y gracias a esto se puede hacer algo que

se llama aprendizaje semis supervisado

básicamente es entrenar a un modelo con

datos tanto etiquetados como no

etiquetados imagina por ejemplo un banco

que tiene muchas transacciones en este

caso los datos son las transacciones Y

solo el 5% de esas transacciones están

etiquetadas en si son fraudulentas o no

fraudulentas entonces la red neuronal

aprende de este 5% de transacciones que

están etiquetadas aprende a identificar

si una transacción es fraudulenta o no

es fraudulenta y cuando lo aprende ya es

capaz de etiquetar al resto de datos de

transacciones en este caso que no

estaban etiquetados y decir si son

fraudulentos o no fraudulentos otro

ejemplo para que te quede claro imagina

que quieres entrenar a una red neuronal

para que aprenda a identificar si un

correo es spam o no es spam le das al

modelo miles de correos pero solo unos

pocos están etiquetados en spam y no

spam el modelo aprende de estos correos

que están etiquetados aprende Qué

características les hacen que sean spam

o que no sean spam y luego aplica todo

ese conocimiento que sabe al resto de

correo para etiquetarlos Y predecir si

son spam o no son spam y de esta forma

tienes una red neuronal que va

etiquetando datos por sí sola Por así

decirlo Y esto es útil cuando tienes una

gran cantidad de datos Porque etiquetar

todos los datos sería muy costoso y

tardarías mucho tiempo muchos de los

servicios que utilizas actualmente

utilizan redes neuronales por ejemplo

YouTube Spotify Netflix aprenden del

contenido que se le sube a las

plataformas los vídeos la música las

películas aprende también de tus gustos

y con eso hace predicciones de lo que te

podría gustar qué es lo que sueles ver

en recomendados Pero espera que aú y más

el Deep learning se divide a su vez en

dos tipos el discriminativo y la ía

generativa los modelos discriminativos

aprenden de los datos etiquetados y

pueden clasificar estos datos pues por

ejemplo como hemos visto hasta ahora en

clasificar si un email es spam o no es

spam o le pasas fotos de perros y gatos

y tendría que saber predecir si la

siguiente foto que le pasas de un perro

es de un perro y no de un gato y ahora

es donde entra la ía generativa Este

término seguro que te suena más la ía

generativa no clasifica datos sino que

genera datos similares a partir de los

que ya tiene volviendo al ejemplo de las

fotos de los perros y los gatos las

fotos ahora no están etiquetadas por lo

que el modelo Busca ahora patrones en

las imágenes los perros tienen dos patas

las orejas hacia abajo entonces cuando

alguien escribe Dame una imagen de un

perro el modelo te da un perro nuevo

basado en los patrones que ya he

aprendido previamente hay una forma muy

sencilla de saber si algo es sía

generativa o no No es generativo cuando

la respuesta es un número una

clasificación o cuando es una

probabilidad es generativo cuando la

respuesta es en lenguaje natural en

imagen o en audio los diferentes modelos

generativos son y te van a sonar texto a

texto como chat gpt de texto a imagen

como m Journey de texto a vídeo como

pical ABS o runway de texto a tarea para

que hagan una tarea específica por

ejemplo ahora en la ía de Google si

pones @youtube puedes preguntarle

cualquier cosa sobre un vídeo de YouTube

se ha avanzado mucho desde la

programación tradicional hasta las redes

neuronales y los modelos generativos en

la programación más tradicional se tiene

que codificar las reglas para distinguir

por ejemplo que es un gato a la red

neuronal le pasamos una imagen de un

gato y cuando le preguntamos si es un

gato o no debería de saber decirte que

es un gato y con la ia generativa

podemos generar nuestros propios datos

imagenes

[Música]

audio vídeo

texto y por último quedan los modelos

grandes de lenguaje no olvidemos que

estos modelos son parte del Deep

learning Y aunque hay una parte que se

junta con la a generativa no es lo mismo

un modelo llm para que lo entiendas es

un modelo de lenguaje de Gran escala

diseñado para comprender generar y

responder el texto en un lenguaje

natural de humano estos modelos se usan

principalmente para resumir texto

Traducir texto para chatbots y

generación de contenido de texto correos

artículos los modelos como chat gpt son

entrenados con una gran cantidad de

datos y aprenden patrones en el lenguaje

con esos datos por lo tanto cuando le

escribes algo es capaz de predecir lo

siguiente por ejemplo imagina que chat

gpt ha sido entrenado con un montón de

datos en los que en la gran mayoría se

dice que el cielo es azul Chaz gpt

aprende que el cielo es azul Y si tú le

escribes el color del cielo es te va a

responder que generalmente es azul chat

gpt es un modelo de predicción y por lo

tanto no tiene consciencia y no va a

acabar con el mundo de momento modelos

del lm los que ya te conoces chat gpt

Claude gemini además a estos modelos

también les puedes hacer fine tuning

tunear losos como un coche esto quiere

decir que puedes a un llm y

entrenarlo para que sea experto en un

tema por ejemplo con leyes Se entrena el

modelo con datos específicos de de leyes

casos judiciales legislación para que

sea experto en este área medicina por

ejemplo Se entrena el modelo con datos

médicos artículos médicos informes

clínicos estudios para que sea un modelo

experto en medicina Y así pueda ayudar a

los médicos las empresas grandes gastan

millones en hacer llms que luego venden

a otras empresas como marcas de ropa

hospitales bancos que no tienen la

capacidad para hacer un llm pero sí que

tienen los datos para hacerles fine

tuning ya hasta aquí el vídeo de hoy

Espero que te haya gustado hayas

aprendido un montón de cosas esto es la

base de la Inteligencia artificial

Aunque solo es el 1% la Inteligencia

artificial es una disciplina es un mundo

muy grande por descubrir y desde luego

que si esto te ha gustado Y tienes ahora

más curiosidad y quieres aprender más te

dejo el curso gratuito de Google en la

descripción del vídeo nos vemos en el

siguiente con más y mejor hasta la

próxima y