IA en ELE

Jornadas de IA en la enseñanza de LE

IA

EN LA ENSEÑANZA DE LENGUAS

roberto.rubio@usal.es robertors@ubu.es

Conceptos básicos

¿Qué es la IA? ¿Qué tipos hay?

• Habilidad de las máquinas para imitar y ejecutar tareas que, generalmente, requerirían la inteligencia humana
• Clasificación según su capacidad para emular habilidades humanas:

ia fuerte

IA débil

• Realiza tareas específicas de forma eficaz
• Características:

• Nivel más avanzado de IA
• Busca replicar la inteligencia humana general en una máquina
• En desarrollo
• Plantea desafíos éticos Características:

Especializada

Datos limitados

Falta de conciencia

Generalizada

Autoaprendizaje

Conciencia y autoconciencia

Conceptos básicos

dominios de la inteligencia artificial

Psicología, física, ética, derecho...

Inteligencia artificial

Visión por ordenador

Procesamiento del lenguaje natural

Representación del conocimiento y razonamiento

Ciencia de los datos

Matemáticas y estadística

Aprendizaje automático

Robótica

Aprendizaje profundo

Traducido de Palomares, I. (2024). Understanding AI. Datacamp

Conceptos básicos

glosario

espacio latente

aprendizaje por refuerzo

deep fake

red neuronal

chatbot

PLN

prompt

LLM

big data

transformer

algoritmo

IA generativa

aprendizaje automático

aprendizaje (no) supervisado

aprendizaje profundo

Definiciones adaptadas de INTEF (2024).

historia de la IA

inicios y evolución de la ia

08/2022

03/2023

01/2021

Stable Diffusion

Claude

DALL-E

11/2022

12/2023

06/2021

ChatGPT

Google Gemini

Github Copilot

Librería CATEDU (2023). La IA en educación. Una aproximación práctica.

historia de la ia

Expectativas sobre la Ia generativa

Ribera & Díaz Montesdeoca, 2024

modelos de interés

Clasifición de los modelos más populares

Texto a imagen (T2I)

Texto a música (T2M)

Texto a vídeo (T2V)

Texto a texto (T2T)

Texto a código (T2C)

Audio a texto (A2T)

modelos de interés

características de algunos modelos textuales populares

Desarrolador

OpenAI

Anthropic

Google

Google

Perplexity AI

Jenni AI

Enfoque ppal.

Versatilidad y creatividad

Ética y seguridad

Multimodalidad

Búsqueda y síntesis

Escritura y redacción

Notas e investigación

Respuestas con fuentes citadas

Procesamiento de texto e imágenes

Manejo de documentos largos

Generación de texto creativo, plugings

Fortalezas

Autocompletado y generación de contenido

Resúmenes precisos

Datos

Info no pública

Info no pública

= ChatGPT

10/2023

Inicios 2023

10/2023

Redacción de ensayos y artículos

Búsqueda acad., resolución de dudas

Análisis de datos, contenido multimedia

Investigación, desarrollo de software

Educación e investigación

Escritura creativa

Casos de uso

Citas

Citas explícitas y referencias

Genera citas

Proporciona fuentes

Sin citas

Sin citas

Limitadas

Delimitaciones

500k tokens (≈350k palabras)

Info no disponible

4k-32k tokens

1M-2M tokens

Hasta 200k tokens

8k-32k-128k tokens

(Oficiales)

Sin datos

Sin datos

[1k-40k]

[5k-17k]

[13k-160k]

[5k-25k]

[Artificial Analysis]

Gratuito

Freemium

Precio

Freemium

Freemium

Freemium

Freemium

modelos de interés

CHATGPT

modelos de interés

Chatgpt

Versión gratuita

Versión plus

• Acceso a GPT-4o mini
• Acceso limitado a GPT-4o
• Acceso limitado de análisis de datos, subida de archivos, búsqueda online y creación de imágenes
• Uso de GPT (creados por otros)
• Window context: 8k tokens
• Datos de entrenamiento actualizados hasta 09/2021

• Acceso a OpenAI o1
• Acceso a GPT-4o with canvas
• Acceso al modo de voz avanzado
• Mayor velocidad de respuesta 5x
• Generación de imágenes (DALL-E)
• Creación y uso de GPT personales

Limitaciones

• 80 mensajes cada 3 horas GPT-4o
• 50 mensajes por semana con o1
• 50 mensajes por día con o1-mini

Nueva versión pro200$/mes

modelos de interés

Claude

Versión Claude 3.5 Haiku

• Gratuita

• Máximo de mensajes (≈40/día) y rendimiento en función de la demanda
• Máximo 5 documentos (30Mb cada) por prompt

• Acceso a artifacts

Versión Claude 3.5 Sonnet

• De pago
• Para tareas complejas que requieren análisis profundo
• Velocidad de respuestas y cantidad máxida de interacciones 5x
• Posibilidad de crear proyectos

• No permite creación de imágenes

modelos de interés

Gemini

Gemini 1.5 Flash

• Gratuito
• 1M Tokens
• No permite la creación de imágenes desde texto
• No permite la subida de documentos, solo imágenes
• No permite ni uso ni creación de Gems

Gemini Advanced 1.5 Pro

• De pago
• 2 M Tokens

• Integración completa con herramientas de Google

modelos de interés

perplexity

Estándar

• Gratuito
• 3 consultas pro/día
• 3 archivos/días
• 5 consultas por voz/día
• Modelo IA Perplexity

Profesional

• De pago
• 300 consultas pro/día

• Subida de archivos ilimitada
• Modelos GPT-40, Claude 3, Sonar Large (Llama 3.1)
• Visualiza respuestas de DALL-E

modelos de interés

jenni ai

Gratuito

• 200 palabras AI/día
• Citación
• PDF ilimitados
• 10 referencias en la biblioteca
• Sistema de citación automática

Ilimitado

• De pago
• Sin límite de palabras AI/día

• Referencias bibliográficas ilimitadas

modelos de interés

notebooklm

NotebookLM

• Gratuito
• El modelo usa las fuentes que subes para responder tus preguntas o ejecutar tus solicitudes
• 50 fuentes por cuaderno
• 200Mb cada fuente
• Hasta 500k palabras

• Genera un podcast (solo en inglés)
• Prohibido subir docs de los que no tengas derechos
• La información del chat desparece al cerrarlo
• "Guardar nota" para conservar una respuesta

modelos de interés

notebooklm

posibles implentaciones en ele

posibilidades y limitaciones de estos modelos

Grandes modelos del lenguaje. Funcionalidades. Traducido de Amer (2022)

posibles implentaciones en ele

Cuándo usar chatgpt

Traducción de Chapman, J. (2024). Introduction to ChatGPT. Datacamp.

posibles implentaciones en ele

chatgpt como asistente del profesor

Mena Octavio, González Argüello, Pujolà (2023). ChatGPT en la clase de ELE

posibles implentaciones en ele

chatgpt como asistente del profesor

Mena Octavio, González Argüello, Pujolà (2023). ChatGPT en la clase de ELE

posibles implentaciones en ele

chatgpt como asistente del profesor

• Cuando se especifica el nivel, los GPT seleccionan un número menor de errores
• GPT C no lograba completar las tablas de errores en los textos de B2. Tampoco señalaba todos los errores
• El feedback de los GPT parece ser una traducción del inglés
• No se puede prever cuándo se van a usar verbos más apropiados (acentúa, concuerda, etc.) y cuándo verbos generales como cambiar, eliminar
• No se puede prever cuándo los GPT darán consejos basados en conocimiento lingüístico
• El feedback varía sin patrón entre infinitivos, imperativos y oraciones declarativas

posibles implentaciones en ele

chatgpt como asistente del estudiante

posibles implentaciones en ele

chatgpt como asistente del estudiante

Mena Octavio, González Argüello, Pujolà (2023). ChatGPT en la clase de ELE

cómo hacer un buen prompt

ingeniería del prompt

Es probable que ChatGPT no acierte a la primera Prompt básico = Respuesta básica Chatbot tradicional respuestas predefinidas

Prompt elaborado = respuesta deseadaChatGPT conversación humana

cómo hacer un buen prompt

¿Qué es un prompt?

• Los usamos todos los días sin enterarnos
• ¿Cuál es la montaña más alta de España?
• Pon una alarma a las 18:30
• ¿Cuál es la mejor hamburguesería de Salamanca?

• Son puertas de acceso a información, conocimiento y soluciones

cómo hacer un buen prompt

Anatomía de un prompt

• Características de un prompt eficaz:
• Claro proporciona un contexto para reducir la ambigüedad
• Específico cuanto más específico, más se acercará a la respuesta deseada (evitar información innecesaria)
• Abierto deja una puerta abierta para que el modelo pueda pensar fuera de la caja (resultados más ricos y creativos)

cómo hacer un buen prompt

Qué evitar a la hora de hacer prompts

• Dar información irrelevante (overloading, 'sobrecarga')
• Dar pie a la ambigüedad (prompt vago = respuesta genérica)
• Exceso de complicaciones (utilizar jerga, oraciones complejas o tecnicismos)

cómo hacer un buen prompt

refinar es la clave

• Los prompts no son estáticos, sino dinámicos:
• Proceso iterativo
• Naturaleza basada en la retroalimentación
• Bucles continuos de mejora

• Debes encontrar tu flujo de trabajo

ChatGPT se usa para aumentar tu creatividad, no para sustituirla

cómo hacer un buen prompt

elementos del prompt

• Elementos de un prompt:
• Escribe instrucciones claras, específicas y abiertas
• Adopta un personaje, puede resultar útil
• Menciona el formato de salida deseado
• Facilita contexto (ChatGPT localiza ideas relevantes rápidamente dentro de grandes cantidades de texto)
• Usa ejemplos para que aprenda estilo y tono

• ChatGPT aprende a escribir como tú lo harías

No es necesario añadir todos

cómo hacer un buen prompt

elementos del prompt

• No solo hay que dominar la creación de preguntas, sino también orientar la respuesta en la dirección deseada
• Para ello, otros elementos que hay que tener en cuenta:
• Estilo y formato (ya comentado)
• Público meta

• Longitud
• Tono

cómo hacer un buen prompt

formato del prompt

• Cómo presentas el prompt es tan importate como su contenido

Xml

# ## ### ** " > [] () ---

Markdown

Título 1Título 2 Título 3 Negrita Resaltar Cita Nombre de la URL URL Nuevo apartado

<task><role> <context> <instructions> <example(s)> <thinking> <response_structure>

cómo hacer un buen prompt

Técnicas de control

• Representan el grado de contexto o ejemplos que proporcionamos a ChatGPT antes de proporcionar nuestra pregunta principal

Zero-shot

One-shot

Few-shot

cómo hacer un buen prompt

técnica few-shot

• ChatGPT se convierte en algo más que una herramienta de autocompletado
• Entiende la estructura de la información
• Genera contenidos basados en los patrones reconocidos en los datos proporcionados
• 1) Analiza los ejemplos
• 2) Coteja y reconoce los patrones subyacentes
• 3) Crea nuevas ideas
• Posibilidades:
• Estilo de escritura
• Preferencias de formato
• Marcos de tomas de decisión (para generar nuevos enfoques de los problemas)

cómo hacer un buen prompt

Prompting de cadena de pensamiento (COT)

• Técnica avanzada que lleva el entrenamiento un paso más allá
• No solo damos ejemplos, sino una hoja de ruta sobre cómo llegar a la respuesta
• Descomponer las tareas complejas en pasos manejables
• ChatGPT aprende los pasos para llegar a una conclusión

• Las técnicas no consisten tanto en obtener una respuesta, sino en moldearla
• Zero-Shot: respuesta rápida
• One-Shot: respuesta guiada
• Few-Shot: respuesta basada en patrones
• COT: respuestas metódicas

limitaciones

Limitaciones del modelo

• Todos los modelos tienen limitaciones (derivadas de sus datos de entrenamiento)

Problemas de reversión

Sesgos

Alucinaciones

Sobreajuste

limitaciones

sesgos

Familias españolas

Nivel socioeconómico bajo

Nivel socioeconómico medio

Nivel socioeconómico alto

limitaciones

sesgos

Estudiantes universitarios

Filología

Derecho

Bellas artes

Informática

limitaciones

Alucionaciones

limitaciones

Alucionaciones

comprobación

Evaluar las respuestas

• El modelo también tiene un límite de conocimiento (entrenamiento de datos)
• 4 piedras angulares en las respuestas:
• Consistencia lógica
• Precisión
• Pertinencia y relevancia
• Corrección factual
• Soluciones:
• Smart prompting
• Cruza los datos y comprueba regularmente su coherencia y exactitud
• Verifica que el modelo comprende y aborda con precisión la complejidad de tu pregunta

personalización

instrucciones personalizadas

• Empezar una conversación de cero supone fricción
• Cada persona tiene unas necesidades
• Cada uno requiere interacciones únicas
• ChatGPT puede convertirse en un asistente personalizado
• Sabe quién eres, qué haces y cómo te gusta que te respondan

personalización

instrucciones personalizadas

Recuadro 1 Sobre ti

Recuadro 2 Estilo de respuesta

personalización

instrucciones personalizadas

• Quién eres
• En qué trabajas
• Aficiones e intereses
• Objetivos

personalización

instrucciones personalizadas

• Formal vs informal
• Larga vs corta
• Opinión (sesgado) vs neutral
• Inspiradora vs informativa
• Divertida vs seria
• Persuasiva vs descriptiva
• Empática vs objetiva
• Creativa vs analítica

05:00

personalización

instrucciones personalizadas

• Personalizar ChatGPT = mayor control en las respuestas
• Prompt = preferencias en una conversación
• Instrucciones personalizadas = preferencias para todas las conversaciones

personalización

GPT personalizados

Abarcan varios ámbitos:

• Escritura
• Investigación
• Programación
• Educación
• Estilo de vida

personalización

GPT personalizados

personalización

cómo compartir tus gpt

ética y aspectos legales

¿Qué es la ética?¿Por qué la necesitamos?

• Determinar lo que está bien y lo que está mal para guiar nuestro comportamiento con base a unos principios morales
• La IA se extiende por diferentes sectores de la sociedad:
• Medicina, industria, seguros, educación...

• Principios éticos de la IA:
• Equidad
• Responsabilidad
• Transparencia
• Respeto a la autonomía humana
• Prevención de daños

Un gran poder conlleva una gran responsabilidad

ética y aspectos legales

preocupaciones medioambientales

• La formación de LLM requiere importantes recursos energéticos
• Entrenar un LLM requiere grandes cantidades de CPU y GPU
• Alto consumo de electricidad
• Generación de calor significativo
• Impacto ambiental: emisiones de carbono y consumo energético
• Soluciones:
• Priorizar fuentes de energía renovables
• Mejorar tecnologías de refrigeración y computación eficientes
• Hacer un uso responsable de estas tecnologías

ética y aspectos legales

derechos de autor y propiedad

• Pintura creada por IA en una feria de arte estatal

• ¿Quién ganó?
• La persona que escribió el prompt
• La empresa que desarrolló el modelo
• Los artistas cuyas obras se usaron para entrenar al modelo
• La IA que generó el arte

8 de octubre de 2024. La Nación

ética y aspectos legales

buenas prácticas

• Creadores humanos vs. Sistemas de IA
• A medida que la IA produce más contenido de forma independiente desde arte y música hasta investigación académica, determinar la propiedad se convierte en algo crucial
• No existe una solución única, pero sí una serie de buenas prácticas:
• Comprueba el estado del © de los datos de entrenamiento del modelo
• Busca consulta legal sobre su uso
• Mantente informado de las dinámicas regulatorias

ética y aspectos legales

Privacidad

• La privacidad también es una preocupación importante
• Ten en cuenta estos puntos cuando utilices contenido generado por IA:
• Lee las condiciones de uso antes de interactuar con una IA
• Piensa cómo afecta a la privacidad aquello que compartimos
• Plantéate la posibilidad de ejecutar los modelos en un ordenador local o servidor privado

ética y aspectos legales

panorama legal de la ia

• Mosaico activo de nuevas leyes:
• Puede diferir entre jurisdicciones
• Puede depender de la ubicación de los usuarios, servidores y desarrolladores
• Mantente informado de la rápida evolución del panorama

ética y aspectos legales

decálogo para el uso de la ia

Fuente: Guía sobre el uso de la IA en el ámbito educativo (INTEF, 2024: 21)

Práctica

¡Manos a la obra!

PRÁCTICA

1. Ve a la diapositiva 22 de la presentación
2. Toma uno de los esquemas de prompt
3. Complétalo con los datos que se adecúen a tu situación (puedes modificarlo a tu gusto)
4. Lee detenidamente la respuesta generada
5. Corrige y ajusta lo que creas conveniente
1. ¿Hay sesgos o incorrecciones?
2. ¿La información es adecuada y coherente con el objetivo planteado?
6. Repite este proceso hasta terminar contento con la respuesta.

Referencias bibliográficas

01

Chapelle, C. A., Beckett, G. H., & Ranalli, J. (Eds.). (2024). Exploring artificial intelligence in applied linguistics. Iowa State University Digital Press.

02

Chapman, J. & Banks, A. (2024). ChatGPT Fundamentals [Curso en línea]. Datacamp.

03

Instituto Nacional de Tecnologías Educativas y de Formación del Profesorado (INTEF) (2024). Guía sobre el uso de la IA en el ámbito educativo. Ministerio de Educación, FP y Deportes de España.

Jiménez, L., López-Gómez, J. A., Martín-Baos, J. Á., Romero, F. P., & Serrano-Guerrero, J. (2023). Reflexiones sobre la irrupción de la inteligencia artificial generativa en la docencia universitaria. En Actas de las JENUI, volumen 8 (113-120).

04

05

Khan, I. (2024). The Quick Guide to Prompt Engineering: Generative AI Tips and Tricks for ChatGPT, Bard, Dall-E, and Midjourney. (1st ed.). John Wiley & Sons, Incorporated.

06

Lacroix, H., Billen, S., Sulmont, L., Chapman, J., Palomares Carrascosa, I., Chugh, V., Tedesco, D., & Franklin, J. (2024). AI Fundamentals [Curso en línea]. DataCamp.

07

Mena Octavio, M., González Argüello, V., Pujolà, J. T. (2023). ChatGPT en la clase de ELE. Guía con prompts para profesores y estudiantes. Universidad de Barcelona.

08

Ribera, M., & Díaz Montesdeoca, O. (Coords.). (2024). ChatGPT y educación universitaria: Posibilidades y límites de ChatGPT como herramienta docente. Ediciones Octaedro.

09

Zou, B., Thomas, M., Barr, D., & Jia, W. (2022). Emerging Concepts in Technology-Enhanced Language Teaching and Learning (1st ed.). IGI Global.

"Resumen breve" vs. "Análisis detallado"

• Si pedimos el número exacto de palabras puede dar error
• Mejor decir 4 frases, 2 párrafos o resumen breve

El Big Data se refiere a conjuntos de datos extremadamente grandes y complejos que no pueden ser gestionados con herramientas tradicionales. Estos datos se procesan para extraer información valiosa, aprovechando características clave como su gran volumen, la velocidad con la que se generan y su variedad.

# Análisis cualitativo del léxico ## Instrucciones Compara las **listas de vocabulario** que te adjunto. Ten en cuenta el **centro de interés** y los distintos **grupos de variables**. Intenta hallar algún patrón en las palabras que distingan el léxico de los subconjuntos. Por ejemplo: - ¿Quién usa palabras más **vulgares** o palabras más **cultas**? - ¿Se emplean palabras de **determinada región**? - ¿Hay vocablos asociados a determinada **clase social**? - ¿Se emplean palabras más **fáciles** o más **difíciles** de aprender? Para este último punto, puedes comprobar el nivel de los vocablos en el apartado de nociones generales y nociones específicas del *Plan Curricular del Instituto Cervantes*: > [Plan Curricular del Instituto Cervantes](https://cvc.cervantes.es/ensenanza/biblioteca_ele/plan_curricular/indice.htm) Asimismo, considera posibles **extranjerismos** o **subcategorías** (por ejemplo, "ropa interior", "animales marinos", etc.). --- ## Contexto de la investigación Estoy realizando el **doctorado en Filología Hispánica** y necesito llevar a cabo este análisis para el capítulo de la tesis dedicado al **análisis cualitativo**. **IMPORTANTE:** No debes **inventar ninguna palabra**. Solo debes tener en cuenta las que yo te proporcione. Todo lo que menciones debe ir **acompañado de ejemplos**. [...]

El Big Data se refiere a conjuntos de datos extremadamente grandes y complejos que no pueden ser gestionados con herramientas tradicionales. Estos datos se procesan para extraer información valiosa, aprovechando características clave como su gran volumen, la velocidad con la que se generan y su variedad.

Transformer

El transformer o transformador se refieren a un tipo de modelo de IA utilizado para procesar secuencias de datos, como texto o voz, de manera eficiente. Su clave es que puede entender el contexto de las palabras en una oración completa, no solo de forma aislada. Es un descubrimiento de Vaswani et al (Google, 2017) y revolucionó el campo del PLN y lo hace ideal para tareas como traducir, responder preguntas o generar texto coherente.

One-shot COT

El Big Data se refiere a conjuntos de datos extremadamente grandes y complejos que no pueden ser gestionados con herramientas tradicionales. Estos datos se procesan para extraer información valiosa, aprovechando características clave como su gran volumen, la velocidad con la que se generan y su variedad.

Aprendizaje profundo

También conocido como deep learning, es una rama del aprendizaje automático basado en redes neuronales artificiales con varias capas. Estas redes permiten procesar información y extraer características complejas, logrando un nivel de comprensión similar al del cerebro humano.

Zero-shot

Lanzar una pregunta o tarea sin ejemplos previos.

Se basa en los patrones aprendidos por el modelo (muestra su potencia).

Vídeo del canal divulgativo "Derivando" en el que se explica qué es y cómo funciona la IA.

Prompt: @roberto joyfully playing a grand piano on stage in a concert hall . The camera slowly zooms in on the pianist's expressive face and hands as he plays, capturing the movement of his fingers across the keys. The background features blurred audience members seated in a red velvet auditorium, creating a warm and inviting atmosphere. The video should loop seamlessly, maintaining a smooth transition between the close-up of the pianist and the wider shot of the stage.

Tono

Define el nivel de formalidad, cercanía e intención con la que se comunica el mensaje.

• Formal vs. informal
• Divertido vs. serio
• Persuasivo vs. descriptivo

<prompt> <task> Analizar la procedencia etimológica de palabras y presentar los resultados en una tabla comparativa. </task> <role> Actúa como un investigador doctorado en lingüística, especializado en etimología. </role> <context> Este análisis forma parte de un proyecto para entender los orígenes de diferentes términos en español, utilizando una fuente: - Diccionario de la Lengua Española (DLE): https://dle.rae.es </context> <instructions> Crea una tabla que incluya las siguientes columnas: - **Palabra**: Término analizado. - **Origen según DLE**: Procedencia etimológica obtenida del DLE. Reglas para completar la tabla: 1. Si una palabra proviene de varios idiomas, indica todos los orígenes en formato: idioma1 > idioma2 (ejemplo: inglés > tamil). 2. Si es un sintagma (unidad léxica con más de una palabra), deja la columna vacía. 3. Si una palabra termina en ']', indica que el origen es "desconocido". </instructions> <examples> <example> <row palabra="mango" dle="del ingl. mango, del port. manga, del tamil mānkāy" /> </example> <example> <row palabra="cuerpo" dle="del lat. corpus" /> </example> <example> <row palabra="ocles]" dle="desconocido" /> </example> <example> <row palabra="perro" dle="de or. inc." /> </example> </examples> <thinking> </thinking> <response_structure> <structure> Devuelve una tabla en formato Markdown o texto claro, respetando las instrucciones dadas. Asegúrate de usar celdas vacías para sintagmas. </structure> </response_structure> </prompt>

Large Language Model

Grandes modelos del lenguaje

Son modelos de IA diseñados para procesar y generar texto de manera coherente, imitando el lenguaje humano. Utilizan una arquitectura llamada "transformadores" que les permite entender el contexto de las palabras en una oración y producir respuestas precisas o significativas. Ejemplos:

• GPT (Generative Pre-trained Transformer)
• BERT (Bidirectional Encoder Representations from Transformers)

El Big Data se refiere a conjuntos de datos extremadamente grandes y complejos que no pueden ser gestionados con herramientas tradicionales. Estos datos se procesan para extraer información valiosa, aprovechando características clave como su gran volumen, la velocidad con la que se generan y su variedad.

El Big Data se refiere a conjuntos de datos extremadamente grandes y complejos que no pueden ser gestionados con herramientas tradicionales. Estos datos se procesan para extraer información valiosa, aprovechando características clave como su gran volumen, la velocidad con la que se generan y su variedad.

PLN (o NLP en inglés)

Procesamiento del Lenguaje Natural

Es una rama de la IA que busca facilitar la interacción entre las máquinas y el lenguaje humano. Su objetivo es que las máquinas puedan entender, interpretar y generar texto o habla de manera similar a como lo hacen las personas. Esto incluye tareas como la traducción de idiomas, el análisis de sentimientos en textos (por ejemplo, determinar si una reseña es positiva o negativa) y la generación de respuestas automáticas en asistentes virtuales.

Aprendizaje no supervisado

Aprendizaje supervisado

Método de aprendizaje automático donde el modelo se entrena con datos no etiquetados. Su propósito es identificar patrones, estructuras o relaciones ocultas en los datos sin disponer de respuestas predefinidas.

Tipo de aprendizaje automático en el que se entrena al modelo con datos etiquetados. Las respuestas correctas están incluidas en los datos de entrenamiento, lo que permite al modelo aprender mediante retroalimentación directa.

Zero-shot COT

Pide a ChatGPT que piense "paso a paso"

Consejos para hacer un buen prompt en Runway. @Runway

Deep fake

Hace referencia a imágenes alteradas o contenido multimedia generado, como fotos o videos, creados mediante técnicas de inteligencia artificial generativa. Esta tecnología permite producir material falso con un nivel de realismo muy alto, lo que genera inquietudes respecto a su posible uso indebido para propagar desinformación.

El Big Data se refiere a conjuntos de datos extremadamente grandes y complejos que no pueden ser gestionados con herramientas tradicionales. Estos datos se procesan para extraer información valiosa, aprovechando características clave como su gran volumen, la velocidad con la que se generan y su variedad.

El Big Data se refiere a conjuntos de datos extremadamente grandes y complejos que no pueden ser gestionados con herramientas tradicionales. Estos datos se procesan para extraer información valiosa, aprovechando características clave como su gran volumen, la velocidad con la que se generan y su variedad.

Representa las propiedades esenciales de los datos originales. Cada punto dentro de este espacio corresponde a una posible variación de los datos, lo que permite generar nuevas muestras que mantienen similitudes con los datos de entrenamiento. Este espacio captura lo más relevante de los datos y permite manipular esas características para crear nuevas muestras de forma controlada.

Ejemplos creados con Flux 1 (modelo de Black Forest Lab) por @AnttiLuode.

Freepik

@roberto playing soccer with the Real Madrid jersey at the Santiago Bernabeu stadium. People cheering him on in the stands.

@roberto playing a grand piano in a sold out carnagie hall

El Big Data se refiere a conjuntos de datos extremadamente grandes y complejos que no pueden ser gestionados con herramientas tradicionales. Estos datos se procesan para extraer información valiosa, aprovechando características clave como su gran volumen, la velocidad con la que se generan y su variedad.

El Big Data se refiere a conjuntos de datos extremadamente grandes y complejos que no pueden ser gestionados con herramientas tradicionales. Estos datos se procesan para extraer información valiosa, aprovechando características clave como su gran volumen, la velocidad con la que se generan y su variedad.

El Big Data se refiere a conjuntos de datos extremadamente grandes y complejos que no pueden ser gestionados con herramientas tradicionales. Estos datos se procesan para extraer información valiosa, aprovechando características clave como su gran volumen, la velocidad con la que se generan y su variedad.

SUNO

Prompt utilizado: "Canción motivacional con ritmo latino para estudiantes de un máster universitario sobre lingüística. Destaca oportunidades laborales y de investigación, enfocando en el potencial del prompt engineering".

Few-shot

Proporcionar a ChatGPT múltiples ejemplos antes de realizar nuestra pregunta principal.

Básicamente estamos entrenando al modelo sobre la marcha. Así aprende la esencia de nuestras consultas.

Ejemplos de cómo se pasa de teto a vídeo con la herramienta SORA de OpenAI. @WWWhatsnew.

DALL-E

Stable Diffusion

El Big Data se refiere a conjuntos de datos extremadamente grandes y complejos que no pueden ser gestionados con herramientas tradicionales. Estos datos se procesan para extraer información valiosa, aprovechando características clave como su gran volumen, la velocidad con la que se generan y su variedad.

One-Shot

Mostar cómo hacer la tarea una vez. Luego esperas que ChatGPT lo reproduzca.

El ejemplo sirve para guiar la respuesta del modelo.

El Big Data se refiere a conjuntos de datos extremadamente grandes y complejos que no pueden ser gestionados con herramientas tradicionales. Estos datos se procesan para extraer información valiosa, aprovechando características clave como su gran volumen, la velocidad con la que se generan y su variedad.

Artifacts

Los "artifacts" pueden ser útiles en investigaciones lingüísticas. Algunos usos potenciales son: 1. Análisis de corpus:

• Almacenar scripts de PLN
• Guardar funciones de análisis lingü´sitico
• Creación de herramientas de extracción de datos textuales

2. Visualización lingüística:

• Generar diagramas de estructuras gramaticales
• Crear representaciones de redes semánticas
• Diseñar visualizaciones de datos lingüístcos

Formatos comunes:

• Resumen

• Lista paso a paso
• Lista comparativa o ventajas y desventajas
• Lista con viñetas
• Ejemplo aplicado
• Diálogo simulado
• Tabla (csv)
• Imagen
• Código

El Big Data se refiere a conjuntos de datos extremadamente grandes y complejos que no pueden ser gestionados con herramientas tradicionales. Estos datos se procesan para extraer información valiosa, aprovechando características clave como su gran volumen, la velocidad con la que se generan y su variedad.

"Explicación simple" vs. "Explicación técnica detallada"

El Big Data se refiere a conjuntos de datos extremadamente grandes y complejos que no pueden ser gestionados con herramientas tradicionales. Estos datos se procesan para extraer información valiosa, aprovechando características clave como su gran volumen, la velocidad con la que se generan y su variedad.

El Big Data se refiere a conjuntos de datos extremadamente grandes y complejos que no pueden ser gestionados con herramientas tradicionales. Estos datos se procesan para extraer información valiosa, aprovechando características clave como su gran volumen, la velocidad con la que se generan y su variedad.

• La IA en sí no puede tener derechos de autor
• Los artistas originales mantienen el copyright de sus obras, pero no obtienen automáticamente derechos sobre las nuevas creaciones generadas por la IA (salvo infracciones demostrables)
• La empresa que desarrolló el modelo posee los derechos sobre el modelo y puede regular su uso, pero no necesariamente sobre las obras generadas por los usuarios
• El usuario que generó la obra podría reclamar derechos si su contribución humana es sustancial y creativa, aunque esto todavía es un terreno en evolución en el ámbito legal