La inteligencia artificial (IA) es un campo de estudio amplio, similar a la física, que abarca diversos subcampos como el aprendizaje automático. El aprendizaje automático es un subconjunto de la IA, al igual que la termodinámica es un subcampo de la física.

Dentro del aprendizaje automático, hay divisiones adicionales como el aprendizaje supervisado y el aprendizaje no supervisado. El aprendizaje supervisado utiliza datos etiquetados para entrenar modelos que pueden hacer predicciones sobre nuevos datos, mientras que el aprendizaje no supervisado identifica patrones en datos sin etiquetar.

El aprendizaje profundo, un tipo de aprendizaje automático, utiliza redes neuronales artificiales inspiradas en el cerebro humano. Los modelos de aprendizaje profundo pueden ser discriminativos, que clasifican los datos en función de las etiquetas, o generativos, que pueden crear nuevas muestras de datos en función de los patrones de los datos de entrenamiento.

Los modelos de lenguaje a gran escala (LLM) son un tipo específico de modelo de aprendizaje profundo que se entrenan previamente en grandes cantidades de datos de texto y luego se ajustan para tareas específicas. Esto les permite destacar en aplicaciones relacionadas con el lenguaje, como la generación de texto, el resumen y la respuesta a preguntas.

El aprendizaje automático es un subcampo de la inteligencia artificial que implica entrenar programas informáticos para aprender de los datos y hacer predicciones o decisiones sin ser programados explícitamente. Los aspectos clave del aprendizaje automático son:

• Datos de entrada: Los modelos de aprendizaje automático se entrenan con datos de entrada, que pueden ser etiquetados (aprendizaje supervisado) o sin etiquetar (aprendizaje no supervisado).
• Entrenamiento: El modelo aprende patrones y relaciones en los datos de entrada a través del proceso de entrenamiento.
• Predicción: El modelo entrenado puede hacer predicciones o decisiones sobre datos nuevos y no vistos.

Hay dos tipos principales de modelos de aprendizaje automático:

1. Aprendizaje supervisado: Estos modelos se entrenan con datos etiquetados, donde los datos de entrada se emparejan con la salida esperada. El modelo aprende a mapear la entrada a la salida y luego puede hacer predicciones sobre nuevos datos.

2. Aprendizaje no supervisado: Estos modelos se entrenan con datos sin etiquetar, y el algoritmo descubre patrones y agrupaciones dentro de los datos por sí solo, sin etiquetas predeterminadas.

Los modelos de aprendizaje automático se pueden dividir aún más en modelos discriminativos y generativos:

• Modelos discriminativos: Estos modelos aprenden la relación entre los datos de entrada y las etiquetas, y pueden clasificar nuevos puntos de datos en las categorías aprendidas.
• Modelos generativos: Estos modelos aprenden los patrones y distribuciones subyacentes en los datos de entrenamiento, y pueden generar nuevas muestras que son similares a los datos originales.

El aprendizaje profundo es un tipo de aprendizaje automático que utiliza redes neuronales artificiales para aprender de los datos. Estas redes neuronales se inspiran en la estructura y función del cerebro humano, con capas de nodos interconectados que pueden procesar y aprender de patrones complejos en los datos.

Los aspectos clave del aprendizaje profundo son:

1. Redes neuronales artificiales: Los modelos de aprendizaje profundo se construyen utilizando redes neuronales artificiales, que constan de múltiples capas de nodos y conexiones que imitan la estructura del cerebro humano.

2. Aprendizaje jerárquico: Los modelos de aprendizaje profundo pueden aprender representaciones jerárquicas de los datos, donde las capas inferiores aprenden características simples y las capas superiores aprenden características más complejas y abstractas.

3. Aprendizaje no supervisado y semi-supervisado: Los modelos de aprendizaje profundo pueden aprender tanto de datos etiquetados como sin etiquetar, lo que les permite extraer patrones significativos de conjuntos de datos grandes y no estructurados.

4. Modelos discriminativos y generativos: El aprendizaje profundo se puede utilizar para construir tanto modelos discriminativos, que clasifican los datos, como modelos generativos, que pueden generar nuevas muestras de datos.

Los modelos de IA generativa son un subconjunto poderoso del aprendizaje profundo que pueden generar nuevo contenido, como texto, imágenes e incluso videos, en función de los patrones que aprenden de los datos de entrenamiento. Estos modelos se dividen en dos tipos principales: discriminativos y generativos.

Los modelos discriminativos aprenden la relación entre los datos de entrada y las etiquetas, y solo pueden clasificar los puntos de datos existentes. En contraste, los modelos generativos aprenden los patrones subyacentes en los datos de entrenamiento y luego pueden generar muestras completamente nuevas que son similares a los datos originales.

Algunos tipos comunes de modelos de IA generativa incluyen:

1. Modelos de texto a texto: Estos modelos, como ChatGPT y Google Bard, pueden generar texto similar al humano en función de los indicaciones de entrada.

2. Modelos de texto a imagen: Ejemplos incluyen DALL-E, Midjourney y Stable Diffusion, que pueden crear imágenes a partir de descripciones de texto.

3. Modelos de texto a video: Modelos como Cogito y Make-A-Video pueden generar metraje de video a partir de indicaciones de texto.

4. Modelos de texto a 3D: Estos modelos, como Shaper, pueden crear activos 3D y objetos de juego a partir de entradas de texto.

Los modelos de lenguaje a gran escala (LLM) son un subconjunto del aprendizaje profundo que se entrenan previamente en una gran cantidad de datos, típicamente texto, para resolver problemas de lenguaje comunes como la clasificación de texto, la respuesta a preguntas, el resumen de documentos y la generación de texto.

Después de este entrenamiento previo, los LLM se pueden ajustar con conjuntos de datos más pequeños y específicos del dominio para resolver problemas más especializados. Por ejemplo, un hospital podría ajustar un LLM previamente entrenado con sus propios datos médicos para mejorar la precisión del diagnóstico a partir de radiografías y otras pruebas.

Este enfoque es beneficioso porque permite que instituciones más pequeñas, como empresas minoristas, bancos y hospitales, aprovechen las poderosas capacidades de los LLM sin tener que desarrollar sus propios modelos desde cero, lo cual puede requerir muchos recursos.

La distinción clave entre los LLM y la IA generativa es que los LLM se entrenan generalmente para resolver tareas de lenguaje comunes, mientras que los modelos de IA generativa se entrenan para generar contenido nuevo y original como texto, imágenes o audio.

En esta descripción general concisa, hemos cubierto los conceptos y relaciones clave dentro del campo de la inteligencia artificial. Comenzamos con la definición amplia de la IA como un campo de estudio, y luego profundizamos en los subcampos del aprendizaje automático, el aprendizaje profundo y los modelos de lenguaje a gran escala.

Examinamos las diferencias entre el aprendizaje supervisado y no supervisado, así como el poder del aprendizaje semi-supervisado utilizando redes neuronales profundas. También discutimos la distinción entre los modelos discriminativos y generativos, y cómo estos últimos pueden crear nuevo contenido como texto, imágenes y videos.

Finalmente, destacamos la importancia de los modelos de lenguaje a gran escala (LLM) y cómo se entrenan previamente en vastos conjuntos de datos y luego se ajustan para aplicaciones específicas, lo que permite a organizaciones más pequeñas aprovechar las poderosas capacidades de la IA.

Esta descripción general debe proporcionar una base sólida para comprender los componentes centrales de la inteligencia artificial y cómo se relacionan con aplicaciones prácticas como ChatGPT y Google Bard. Recuerda, el curso completo de IA de Google está disponible de forma gratuita, y puedes navegar fácilmente de vuelta a secciones específicas utilizando las marcas de tiempo de los videos.