Reflexión clase del 28 de febrero

 

APRENDIZAJES

Fecha: 28 de febrero de 2025

El viernes 28 de febrero profundizamos en un tema clave dentro de la inteligencia artificial: los Modelos de Lenguaje Grande o LLM (por sus siglas en inglés, Large Language Models). Estos modelos son herramientas poderosas que pueden generar, analizar y transformar texto de manera altamente sofisticada. Lo que más me sorprendió de esta clase fue entender cómo estos modelos estiman y producen texto de manera compleja, y las diversas aplicaciones que tienen en la automatización de tareas relacionadas con el lenguaje.

Un LLM funciona esencialmente procesando enormes volúmenes de texto para aprender patrones y estructuras del lenguaje, de modo que pueda generar contenido coherente y relevante cuando se le solicita. Entre sus aplicaciones más comunes se encuentran la generación automática de cuestionarios, la posibilidad de mantener conversaciones interactivas con preguntas y respuestas (como lo hace un chatbot), y la recomendación de recursos adicionales basados en el contexto de una conversación. Esto lo convierte en una herramienta útil en diversas industrias, como la educación, el servicio al cliente y el marketing.

Durante la clase, se nos presentó una serie de conceptos técnicos que son fundamentales para entender cómo los LLM procesan y generan lenguaje:

• Tokens: Son la unidad básica de texto que el modelo procesa. En términos simples, un token puede ser una palabra, un fragmento de una palabra o incluso un carácter, dependiendo del modelo específico. Estos tokens se utilizan como piezas fundamentales para que el modelo pueda generar o comprender texto de manera eficiente.

• Parámetros: Son los valores internos que el modelo ajusta durante el proceso de entrenamiento para poder realizar tareas específicas, como la predicción de la siguiente palabra en una secuencia o la generación de una respuesta coherente en una conversación. Los modelos de lenguaje modernos, como GPT-3, tienen miles de millones de parámetros que les permiten operar con un nivel de precisión impresionante.

Dentro de los parámetros, se destacan dos elementos importantes que determinan la forma en que el modelo procesa la información:

1. Pesos: Representan la importancia relativa de las características de entrada. En un LLM, las características pueden ser palabras, frases o patrones que el modelo ha aprendido durante el entrenamiento. Los pesos determinan cómo se ajustan estos patrones para generar una salida coherente. Cuanto mayor sea el peso de una característica, más influencia tendrá en la predicción o la generación del texto.

2. Sesgos: Son valores que se suman a la entrada del modelo para ajustarla antes de hacer la predicción final. Los sesgos permiten al modelo realizar ajustes finos que mejoran su capacidad para generar texto relevante y preciso. Estos sesgos ayudan a corregir o ajustar las salidas del modelo cuando las predicciones iniciales son inexactas o no tienen sentido en un contexto determinado.

Estos conceptos son fundamentales para entender cómo funcionan los LLM y cómo pueden ser entrenados para realizar tareas complejas que imitan las capacidades humanas en cuanto a la comprensión y producción de lenguaje. A medida que la tecnología evoluciona, estos modelos se están utilizando cada vez más en aplicaciones del mundo real, lo que hace que su comprensión sea crucial en el campo de la inteligencia artificial.

En la parte práctica de la clase, también aprendimos a utilizar Excel para gestionar y analizar datos de manera efectiva, específicamente en el contexto de las calificaciones y otros datos cuantitativos. A través de ejercicios prácticos, aprendí a crear una planilla de notas en Excel, donde se realizaron diversas operaciones matemáticas y estadísticas. Entre las operaciones que se practicaron, destacan:

• Suma: Para calcular el total de las notas obtenidas en diferentes actividades o exámenes.

• Resta: Para calcular la diferencia entre dos valores, por ejemplo, entre la calificación máxima y la obtenida en una tarea.

• Multiplicación y división: Para aplicar porcentajes, como en el caso de calcular el valor ponderado de una calificación dentro de una evaluación general.

• Promedio: Para determinar la media de las calificaciones, lo cual es esencial para obtener un resumen de los rendimientos generales.

• Moda: Identificar la calificación que más se repite dentro de un conjunto de datos.

• Máximo y mínimo: Para determinar la calificación más alta y la más baja obtenida, lo cual puede ser útil para análisis de rendimiento.

Aprender estas funciones no solo mejora nuestra capacidad para realizar cálculos rápidos y precisos, sino que también facilita el análisis de datos y la toma de decisiones informadas en contextos académicos y laborales.