WEBVTT Kind: captions Language: es 00:00:05.000 --> 00:00:08.000 Wanda, la comunidad de podcast independientes en español. 00:00:08.000 --> 00:00:15.000 Hola, bienvenidos a un nuevo episodio de Apple Coding Daily y feliz dos mil veinticuatro. 00:00:16.000 --> 00:00:23.000 Hoy vamos a hablar de otro paso más que está dando Apple en la inteligencia artificial. 00:00:23.000 --> 00:00:27.000 La verdad que nos está sorprendiendo bastante porque, Bueno, sabemos que 00:00:27.000 --> 00:00:31.000 normalmente Apple es bastante opaco con todos los lanzamientos, lo que es 00:00:31.000 --> 00:00:35.000 el, no lanzamiento, sino los Trabajos previos que suele realizar de cara a 00:00:35.000 --> 00:00:40.000 ciertos lanzamientos. 00:00:40.000 --> 00:00:45.000 Todos sabemos y, de hecho, esto es algo que ya han Medio confirmado algunos 00:00:45.000 --> 00:00:50.000 de los grandes dentro de Apple, como el propio Craig Federiggi, que en la 00:00:50.000 --> 00:00:55.000 WWDC de este ya año dos mil veinticuatro tendremos una, bueno, tendremos 00:00:55.000 --> 00:01:00.000 un cambio clasificado por la propia Apple como uno de los más grandes 00:01:00.000 --> 00:01:05.000 dentro de sus sistemas operativos con la integración de todos los modelos 00:01:05.000 --> 00:01:14.000 de IA generativa que van a formar parte de iOS, iPadOS, MacOS, etcétera. 00:01:14.000 --> 00:01:20.000 Pues bien, en lo que es este devenir, este trabajo hasta llegar ahí, Apple 00:01:20.000 --> 00:01:26.000 ha vuelto a lanzar un nuevo modelo que, curiosamente, es Open Source, como 00:01:26.000 --> 00:01:32.000 la gran mayoría de lo que está sacando es código abierto, un modelo 00:01:32.000 --> 00:01:38.000 llamado Ferret, un modelo capaz de, conectado con lo que sería con un 00:01:38.000 --> 00:01:44.000 modelo de lenguaje, un modelo multimodal de lenguaje grande que es capaz 00:01:44.000 --> 00:01:50.000 de Visualizar cualquier tipo de imagen y describirla al máximo detalle. 00:01:51.000 --> 00:01:52.000 Hablemos de esto. 00:02:08.000 --> 00:02:14.000 Seguro que estás de acuerdo conmigo que El tiempo es lo más valioso que tenemos, ya que una vez que pasa no vuelve. 00:02:15.000 --> 00:02:19.000 Los últimos estudios dicen que los developers, los desarrolladores, 00:02:19.000 --> 00:02:23.000 Invierten entre sesenta y noventa minutos diarios en buscar soluciones 00:02:23.000 --> 00:02:27.000 para sus proyectos en vez de estar programando. 00:02:28.000 --> 00:02:37.000 Abrir Star Overflow, teclear preguntas en chat GPT o buscar innumerables tutoriales y cursos online hasta volverte loco. 00:02:38.000 --> 00:02:44.000 Da igual si es Swift, UI Kit, Swift UI, y entonces te preguntas, ¿estoy tomando las decisiones ¿es correctas? 00:02:44.000 --> 00:02:47.000 ¿Estoy utilizando las herramientas adecuadas? 00:02:48.000 --> 00:02:56.000 La información es fragmentada, las opiniones diversas, no sabes a quién creer y no hay una guía coherente que seguir. 00:02:56.000 --> 00:03:02.000 Como nos decía hace poco un alumno, pierdo veinte horas a la semana en búsqueda de soluciones. 00:03:02.000 --> 00:03:04.000 Hagamos unos números rápidos. 00:03:04.000 --> 00:03:09.000 Veinte horas perdidas a la semana implica perder novecientas sesenta al año. 00:03:09.000 --> 00:03:15.000 Si hablamos de un coste de un desarrollador de cuarenta euros Ahora, que tampoco es demasiado para un senior. 00:03:16.000 --> 00:03:20.000 Esto implica perder treinta y ocho mil cuatrocientos euros. 00:03:20.000 --> 00:03:23.000 Sí, has oído bien, treinta y ocho mil cuatrocientos, ¿y sabes qué? 00:03:24.000 --> 00:03:25.000 Que eso realmente no es lo importante. 00:03:26.000 --> 00:03:35.000 Lo que realmente importa es que esas horas perdidas eran para sí mismo, para su familia, para sus sueños, para sus proyectos personales. 00:03:37.000 --> 00:03:41.000 Esta puede ser tu historia, o tal vez no, pero esta historia nos enseña 00:03:41.000 --> 00:03:45.000 que debes reclamar tu tiempo si lo valoras, Consolidar tu confianza si la 00:03:45.000 --> 00:03:49.000 necesitas y pulir tu talento si buscas tranquilidad. 00:03:50.000 --> 00:03:58.000 No será un camino fácil ni rápido, pero será transformador para ser dueño de tu tiempo y no al revés. 00:03:58.000 --> 00:04:03.000 En Apple Codyne Academy no somos héroes ni queremos serlo, Solo hemos 00:04:03.000 --> 00:04:09.000 conseguido dibujar el mapa punto por punto que ni siquiera Apple ha podido terminar. 00:04:10.000 --> 00:04:18.000 Hay dos formas de hacer apps, como las hace la mayoría o como dice Apple, y esta última es la que nosotros te enseñamos. 00:04:19.000 --> 00:04:25.000 Steve Jobs dijo una vez, La única manera de hacer un trabajo genial es amar lo que haces. 00:04:25.000 --> 00:04:33.000 Si quieres amar, si quieres saber, Si quieres ser el mejor senior, descubre tu nueva visión. 00:04:33.000 --> 00:04:41.000 Visítanos en acoding punto academy barra bootcamp, y comienza el cambio. 00:04:42.000 --> 00:04:43.000 Apple Coding Academy. 00:05:04.000 --> 00:05:08.000 Ferret, que es el nombre del paper que Apple ha publicado y de los modelos 00:05:08.000 --> 00:05:12.000 que tenemos disponibles en Github es un acrónimo que viene a referenciar 00:05:12.000 --> 00:05:16.000 un nombre que es referenciar y conectar a tierra cualquier cosa en 00:05:16.000 --> 00:05:23.000 cualquier lugar y con cualquier granularidad. 00:05:24.000 --> 00:05:28.000 Es la traducción de referend ground anything anywhere at any granularity. 00:05:29.000 --> 00:05:34.000 De esta manera, lo que estamos haciendo es describir, en este caso, en este 00:05:34.000 --> 00:05:39.000 paper de Apple, un modelo de lenguaje multimodal, como sería GPT cuatro, 00:05:39.000 --> 00:05:44.000 cuya capacidad es recibir imágenes como entrada, y esas imágenes se 00:05:44.000 --> 00:05:49.000 pueden describir de una manera muy detallada en cada uno de los elementos 00:05:49.000 --> 00:05:57.000 que hay adentro de estas imágenes. 00:05:57.000 --> 00:06:02.000 Para conseguir esto, Apple ha utilizado un conjunto de datos de 00:06:02.000 --> 00:06:07.000 entrenamiento con más de uno coma un millones de referencias, un modelo 00:06:07.000 --> 00:06:12.000 con conocimiento espacial jerárquico, en lo que es en un árbol de 00:06:12.000 --> 00:06:20.000 jerarquía en función de relaciones, de tipo GRIT, de tipo grid. 00:06:20.000 --> 00:06:25.000 Grid serían las siglas de expresiones referenciales fundamentadas en 00:06:25.000 --> 00:06:31.000 imágenes, que básicamente en inglés es grounded refering expression in images. 00:06:31.000 --> 00:06:37.000 De esta manera, Apple tiene este un junto de datos con el que ha entrenado 00:06:37.000 --> 00:06:43.000 este modelo de lenguaje para poder obtener, porque al final el propósito 00:06:43.000 --> 00:06:49.000 no es obtener un modelo de lenguaje como tal, sino es obtener un modelo experto. 00:06:49.000 --> 00:06:53.000 A ver, Una de las cosas que se han comentado últimamente en el mundo del 00:06:53.000 --> 00:06:57.000 machine learning y, de hecho, el propio dot CSV, Carlos Santana, hizo un 00:06:57.000 --> 00:07:01.000 vídeo muy interesante de fin de año, que les recomiendo que vean En su 00:07:01.000 --> 00:07:05.000 canal, donde contaba este tema, nosotros comentamos este tema cuando les 00:07:05.000 --> 00:07:09.000 estuvimos hablando de Apple MLX, cuyo episodio, si no lo han visto, se lo 00:07:09.000 --> 00:07:18.000 dejo por aquí. 00:07:18.000 --> 00:07:22.000 Apple MLX es el Array framework es el framework de ejecución de a raíz de 00:07:22.000 --> 00:07:26.000 cálculo computacional que permite el entrenamiento e inferencia de los 00:07:26.000 --> 00:07:30.000 modelos y que, actualmente, está teniendo un apoyo increíble por parte 00:07:30.000 --> 00:07:34.000 de la comunidad open source y están consiguiendo formas de ejecución de 00:07:34.000 --> 00:07:38.000 modelos dentro de nuestro propio Apple Silicon de, por ejemplo, Stable 00:07:38.000 --> 00:07:42.000 Diffusion, incluso con interfaz web para que sea mucho más cómodo 00:07:42.000 --> 00:07:46.000 utilizarlo, Están también poniendo, por ejemplo, modelos tipo Fidoz, 00:07:46.000 --> 00:07:50.000 Lora, Llama, varios modelos de mistral, de mistral, es decir, de mistral y 00:07:50.000 --> 00:08:02.000 mixtral, que no es lo mismo. 00:08:02.000 --> 00:08:05.000 Entonces, estuvimos hablando de todo esto Y lo que les comentamos, que fue 00:08:05.000 --> 00:08:08.000 una de las cosas que también hablamos en otro episodio donde hablamos de 00:08:08.000 --> 00:08:11.000 una de las revoluciones que está teniendo Apple En cuanto a la forma de 00:08:11.000 --> 00:08:14.000 trabajar con los modelos y que no tiene por qué cargar todo el modelo en 00:08:14.000 --> 00:08:17.000 memoria para poder ejecutarlo, cosa que normalmente se necesita a día de 00:08:17.000 --> 00:08:25.000 hoy, episodio que también les dejamos por aquí. 00:08:26.000 --> 00:08:30.000 Pues bien, el caso es que cuando estuvimos hablando de esto les contamos 00:08:30.000 --> 00:08:34.000 que La tendencia actual es tener modelos expertos, es decir, GPT tres 00:08:34.000 --> 00:08:38.000 punto cinco es un modelo que es completo, es un modelo tipo, pues, como 00:08:38.000 --> 00:08:42.000 puede ser, pues eso, Gemini Pro, por ejemplo, de Google, que es el que 00:08:42.000 --> 00:08:48.000 nosotros estuvimos hablando. 00:08:48.000 --> 00:08:53.000 Pero Hay un punto en el que ya no se puede llegar más allá. 00:08:54.000 --> 00:08:57.000 Según nos contaba Carlos Santana, hay un límite De doscientos veinte mil 00:08:57.000 --> 00:09:00.000 millones de parámetros en los entrenamientos actuales en cuanto a 00:09:00.000 --> 00:09:03.000 capacidad de datos, por lo que no puedes tener un LLM que tenga más de 00:09:03.000 --> 00:09:09.000 esa cantidad de datos, aproximadamente. 00:09:10.000 --> 00:09:14.000 Recordemos que GPT tres tiene ciento setenta y cinco mil millones Y, 00:09:14.000 --> 00:09:18.000 supuestamente, el, según lo que es el límite que tienen estos modelos en 00:09:18.000 --> 00:09:22.000 cuanto a entrenamiento, el límite estaría en los doscientos veinte mil 00:09:22.000 --> 00:09:26.000 millones, Por lo que si GPT cuatro tiene bastantes más, no es porque haya 00:09:26.000 --> 00:09:30.000 conseguido romper esta barrera, es porque está utilizando sistemas 00:09:30.000 --> 00:09:36.000 expertos, sistemas en los que en vez de tener un solo LLM tenemos varios. 00:09:36.000 --> 00:09:41.000 Esos varios es lo que estuvimos contando que era Mixtral, que eran varios 00:09:41.000 --> 00:09:46.000 modelos especializados en distintas cosas, es decir, imagínense que 00:09:46.000 --> 00:09:51.000 tenemos un modelo que está especializado en Programación, otro 00:09:51.000 --> 00:09:56.000 especializado en interpretación de imágenes, otro especializado en 00:09:56.000 --> 00:10:01.000 buscar en Internet o procesar información de PDFs, Otro que esté 00:10:01.000 --> 00:10:06.000 especializado en matemáticas, otro que esté especializado en lenguaje o 00:10:06.000 --> 00:10:11.000 gramática, es decir, Dividir el expertise, dividir el conjunto de los 00:10:11.000 --> 00:10:16.000 expertos para crear distintos modelos LLM que estén conectados y que 00:10:16.000 --> 00:10:21.000 tengan un modelo, digamos, de control general que sea capaz de saber a 00:10:21.000 --> 00:10:26.000 quién tiene que llamar para cada parte de cada una de las cosas. 00:10:27.000 --> 00:10:33.000 Pues bien, este modelo que tenemos ahora mismo de Ferret sería uno de esos modelos expertos. 00:10:34.000 --> 00:10:38.000 Estaría preparado para ser enganchado a un modelo de lenguaje mucho más 00:10:38.000 --> 00:10:42.000 grande, siendo este Ferret la parte que se encargaría De la visión 00:10:42.000 --> 00:10:46.000 computerizada, la parte que se encargaría de interpretar imágenes que 00:10:46.000 --> 00:10:50.000 llegaran a partir de una entrada y que serían descritas por completo, y 00:10:50.000 --> 00:10:54.000 no solo descritas por completo, no es cuestión de que yo dé una imagen y 00:10:54.000 --> 00:10:58.000 me diga, pues aquí hay una imagen de un patio de una casa, donde hay un 00:10:58.000 --> 00:11:02.000 muro de color de un patio de una casa, donde hay un muro de color tal con 00:11:02.000 --> 00:11:06.000 un gato de raza azul ruso subido encima con la cola levantada, O sea, ese 00:11:06.000 --> 00:11:10.000 es el nivel al que pueden llegar estas descripciones, pero ya no es solo 00:11:10.000 --> 00:11:14.000 por las descripciones en sí, lo más importante es que Al estar conectado 00:11:14.000 --> 00:11:22.000 con un modelo de lenguaje, podemos hacer preguntas sobre el contenido de la imagen. 00:11:23.000 --> 00:11:27.000 Para eso, que es una de las cosas que hace GPT cuatro, Tenemos este modelo 00:11:27.000 --> 00:11:31.000 experto que sería capaz de dar la descripción de dicha imagen para poder 00:11:31.000 --> 00:11:36.000 decirle que nos genere una imagen parecida si tenemos un modelo ¿cómo? 00:11:36.000 --> 00:11:39.000 Matroska Diffusion Model, también de Apple, del que también hemos hablado 00:11:39.000 --> 00:11:42.000 aquí, que también les dejamos por aquí el episodio, donde tenemos un 00:11:42.000 --> 00:11:46.000 modelo de generación de contenido. 00:11:46.000 --> 00:11:50.000 Yo puedo, a través de Ferret, darle una imagen a el modelo experto de 00:11:50.000 --> 00:11:54.000 Apple y que Ferrer diga, pues esta imagen es de esta manera, esta otra, 00:11:54.000 --> 00:11:58.000 tal, tal, tal, tal, tal, tal, tal, con una forma que, a partir de la 00:11:58.000 --> 00:12:02.000 inclusión de este modelo grit, consigue que este árbol de información 00:12:02.000 --> 00:12:06.000 le permita dar una descripción a muy detallado nivel, por lo que esto lo 00:12:06.000 --> 00:12:10.000 que permite es que luego yo le pueda decir, générame una imagen parecida 00:12:10.000 --> 00:12:20.000 a esta con el Matrioska Diffusion Model, etcétera. 00:12:20.000 --> 00:12:22.000 Obviamente, nosotros no llamaremos a los modelos. 00:12:23.000 --> 00:12:30.000 Matrioska Diffusion Model será un modelo experto capaz de recibir una solicitud de un modelo de lenguaje para generar una imagen. 00:12:30.000 --> 00:12:34.000 Ferret será un modelo experto capaz de recibir una imagen como entrada 00:12:34.000 --> 00:12:38.000 para devolver una respuesta, es decir, estamos construyendo todo un modelo 00:12:38.000 --> 00:12:42.000 experto como el que es GPT cuatro, pero creado por la propia Apple, para 00:12:42.000 --> 00:12:46.000 que así podamos tener esa capacidad de, Bueno, pues, de tener un modelo 00:12:46.000 --> 00:12:50.000 multimodal capaz de leer, generar, hablar sobre un contenido, etcétera, 00:12:50.000 --> 00:12:59.000 etcétera, etcétera, ¿vale? 00:12:59.000 --> 00:13:04.000 Ese sería un poco el, digamos, el por qué o cómo se montaría, ¿no? 00:13:04.000 --> 00:13:09.000 Todo este sistema, por lo que tenemos que entender que, uno, GPT cuatro no 00:13:09.000 --> 00:13:14.000 es un modelo de lenguaje, es un conjunto de modelos expertos, Y en esa 00:13:14.000 --> 00:13:19.000 misma línea, Apple está montando su propio conjunto de modelos expertos 00:13:19.000 --> 00:13:24.000 en el que uno de ellos es el Matriosca que ya hablamos de generación de 00:13:24.000 --> 00:13:29.000 imágenes, otro sería este nuevo Ferret de le de lo que sería la 00:13:29.000 --> 00:13:36.000 interpretación de imágenes a través de visión computarizada, etcétera. 00:13:36.000 --> 00:13:40.000 Por lo tanto, y con esto vamos concluyendo, lo que tenemos aquí es un 00:13:40.000 --> 00:13:44.000 nuevo paso por parte de Apple que, la verdad, oye, es bastante de 00:13:44.000 --> 00:13:49.000 agradecer que sea de código abierto. 00:13:49.000 --> 00:13:54.000 Ahora, en fin, la realidad es la realidad. 00:13:54.000 --> 00:13:59.000 ¿Quiere decir esto que ustedes pueden descargar Ferrer y probarlo en sus equipos? 00:14:00.000 --> 00:14:01.000 No. 00:14:01.000 --> 00:14:06.000 No porque Ferrer, a pesar de ser un modelo abierto, No está todavía entrenado. 00:14:07.000 --> 00:14:11.000 Apple ha puesto dentro de este repositorio, porque este modelo ya se lanzó 00:14:11.000 --> 00:14:15.000 hace unos meses, ahora Hace unos pocos días se ha incorporado varios 00:14:15.000 --> 00:14:19.000 check points de model, de lo que sería entrenamientos, para poder partir 00:14:19.000 --> 00:14:23.000 desde ahí y terminar el entrenamiento por afinación, de forma que 00:14:23.000 --> 00:14:28.000 podamos conseguirlo. 00:14:28.000 --> 00:14:33.000 Pero si queremos Teder a esos entrenamientos donde, por cierto, el modelo 00:14:33.000 --> 00:14:38.000 de lenguaje utilizado por Apple no es suyo, es el modelo Vicuna, que es un 00:14:38.000 --> 00:14:43.000 modelo de lenguaje grande, un LLM, que está basado en llama y que es uno 00:14:43.000 --> 00:14:48.000 de los modelos de código abierto ¿qué más se usan? 00:14:48.000 --> 00:14:52.000 Por lo tanto, parece ser que todo lo a a el el objetivo, el el destino al 00:14:52.000 --> 00:14:56.000 que va Apple, es todo en Open Source porque está utilizando, aparte de lo 00:14:56.000 --> 00:15:00.000 que es la propia investigación propia, pero, por ejemplo, en modelos de 00:15:00.000 --> 00:15:04.000 lenguaje está utilizando modelos que ya existen, en este caso está 00:15:04.000 --> 00:15:08.000 usando Vicuna como modelo base, eso no quiere decir que en un momento 00:15:08.000 --> 00:15:12.000 determinado pueda cambiarlo por uno propio que ellos hayan creado, ¿vale? 00:15:12.000 --> 00:15:16.000 Pero por ahora Todo lo que están sacando está basado en modelos de código abierto. 00:15:16.000 --> 00:15:19.000 Pero también, si queremos usar esto, como digo, estos check points de 00:15:19.000 --> 00:15:22.000 siete mil y trece mil millones de parámetros, como peso de entrenamiento, 00:15:22.000 --> 00:15:25.000 que son modelos, son check points preentrenados para luego, insisto, hacer 00:15:25.000 --> 00:15:30.000 una afinación. 00:15:30.000 --> 00:15:47.000 La propia Apple nos informa que estos modelos, este modelo Ferret, ha sido entrenado en Ocho en envidias a cien con ochenta gigas de VRAM cada uno. 00:15:48.000 --> 00:15:56.000 Lo que normalmente usamos para hacer power points, Knotes en este caso. 00:15:56.000 --> 00:16:01.000 En fin, esto es lo normal, esto nos quiere decir varias cosas. 00:16:01.000 --> 00:16:05.000 Uno, que obviamente los entrenamientos de estos modelos son muy grandes y, 00:16:05.000 --> 00:16:09.000 obviamente, requieren de equipos que se escapan completamente de la 00:16:09.000 --> 00:16:13.000 capacidad de cualquier usuario, Eso no quiere decir que su resultado luego 00:16:13.000 --> 00:16:17.000 se pueda ejecutar, pero tampoco podemos olvidar que los modelos de siete 00:16:17.000 --> 00:16:21.000 mil o trece mil millones de parámetros, incluso más, no pueden ser 00:16:21.000 --> 00:16:25.000 ejecutados tan fácilmente dentro de un dentro del local, a pesar de las 00:16:25.000 --> 00:16:29.000 tecnologías que Apple esté sacando, por lo que todo esto nos da a 00:16:29.000 --> 00:16:33.000 entender que el gran modelo de lenguaje o parte del gran modelo de 00:16:33.000 --> 00:16:37.000 lenguaje que estaremos utilizando con cien, con varios sistemas expertos, 00:16:37.000 --> 00:16:41.000 estaré en la nube porque, a día de hoy, sobre todo en un dispositivo 00:16:41.000 --> 00:16:45.000 como el iPhone, sería imposible ejecutar estos modelos, por lo que muy 00:16:45.000 --> 00:16:49.000 probablemente sea un modelo híbrido, un modelo híbrido en el que yo 00:16:49.000 --> 00:16:53.000 tenga un pequeño modelo tipo yemina y nano, como estuvimos hablando, un 00:16:53.000 --> 00:16:57.000 pequeño modelo de Siri, si lo quieren llamar Siri, que esté cargado 00:16:57.000 --> 00:17:01.000 directamente en nuestro iPhone y que se encargue de las cosas más 00:17:01.000 --> 00:17:05.000 Sencillas, unidas a las funciones del dispositivo, como enviar mensajes o 00:17:05.000 --> 00:17:09.000 pedirle cualquier tipo de interacción con el dispositivo o que nos lea 00:17:09.000 --> 00:17:13.000 contenido, etcétera, es decir, un asistente como el que ya tenemos de 00:17:13.000 --> 00:17:17.000 Siri, pero a millones de años luz en cuanto a capacidad y comprensión de 00:17:17.000 --> 00:17:21.000 lo que se le dice o lo que ella nos dice a nosotros, ella o él o elle o 00:17:21.000 --> 00:17:43.000 quien sea el que pongamos como personalidad a Siri. 00:17:43.000 --> 00:17:48.000 Por lo tanto, tendríamos ese, digamos, ese punto, ¿no? 00:17:48.000 --> 00:17:52.000 Híbrido en el que ciertas Consultas en local sí se harían en el 00:17:52.000 --> 00:17:56.000 dispositivo, pero ciertas búsquedas de información o ciertos tipos de 00:17:56.000 --> 00:18:00.000 procesamiento, como el de enviar una imagen, crear una imagen, como el de 00:18:00.000 --> 00:18:04.000 hablar o preguntar por cierta información que pueda ser buscada, 00:18:04.000 --> 00:18:08.000 etcétera, Ahí sí usará muy probablemente un modelo grande experto tipo 00:18:08.000 --> 00:18:12.000 GPT cuatro que estaría en la nube, por lo que Apple, pues, al final 00:18:12.000 --> 00:18:16.000 tendrá que alquilarle equipos muy muy probablemente a Google, ya que 00:18:16.000 --> 00:18:20.000 Google Cloud es la gran parte de iCloud a día de hoy, aunque ya sabemos 00:18:20.000 --> 00:18:24.000 que también Apple está pagando para abrir sus propios centros de datos, 00:18:24.000 --> 00:18:28.000 por lo que tarde o temprano, pues estos centros de datos obviamente 00:18:28.000 --> 00:18:39.000 tendrán también su uso. 00:18:40.000 --> 00:18:43.000 Así que, bueno, pues eso sería un poco todo lo que teníamos que comentarles. 00:18:43.000 --> 00:18:49.000 Desde luego, va a ser, sin ninguna duda, el año dos mil veinticuatro un 00:18:49.000 --> 00:18:55.000 año de visión y de Hay, es decir, un año de realidad aumentada con el 00:18:55.000 --> 00:19:01.000 lanzamiento en las próximas semanas de AppleVision Pro en Estados Unidos 00:19:01.000 --> 00:19:07.000 y, por supuesto, de la IA generativa. 00:19:07.000 --> 00:19:13.000 Porque no, Apple no llega tarde, Apple llega como los magos cuando se lo propone. 00:19:25.000 --> 00:19:26.000 Y poco más. 00:19:26.000 --> 00:19:33.000 Espero que les haya gustado, espero que, bueno, todos estos todos estos episodios, la verdad que están teniendo muy buen feedback. 00:19:34.000 --> 00:19:39.000 Obviamente, no podemos dejar atrás el contarles todas las novedades que 00:19:39.000 --> 00:19:44.000 Apple está lanzando a nivel de inteligencia artificial generativa y, por 00:19:44.000 --> 00:19:49.000 supuesto, todo esto va a ser algo que nos va a beneficiar a todos 00:19:49.000 --> 00:19:54.000 Ampliamente, porque no podemos olvidar que, obviamente, Apple, en mi 00:19:54.000 --> 00:19:59.000 opinión, donde mejor va a tener una implementación sobre IA va a ser en 00:19:59.000 --> 00:20:04.000 los Macs debido a su mayor capacidad y, por supuesto, no podemos olvidar 00:20:04.000 --> 00:20:09.000 que uno de los modelos que es uno de los de los modelos expertos con los 00:20:09.000 --> 00:20:14.000 que ya trabaja Apple y que va a venir sí o sí dentro de las próximas 00:20:14.000 --> 00:20:19.000 versiones que veremos a partir de junio, Es, sin duda, una versión de y 00:20:19.000 --> 00:20:24.000 degenerativa de SourceKit, la librería de generación, la librería de 00:20:24.000 --> 00:20:29.000 autocompletado de código, la librería de análisis y autocompletado de 00:20:29.000 --> 00:20:34.000 código que nos permitirá Integrar y degenerativa dentro de SCOVID, y que 00:20:34.000 --> 00:20:39.000 todo nuestro proyecto forme parte de el contenido, forme parte de el 00:20:39.000 --> 00:20:44.000 contexto que conozca esta Así que, lo dicho, poco más. 00:20:44.000 --> 00:20:47.000 Si les ha gustado, como siempre, dennos un like, que aprovechen porque 00:20:47.000 --> 00:20:50.000 ahora ya estamos como podcast en YouTube, hemos creado el podcast como 00:20:50.000 --> 00:20:53.000 tal, por lo tanto, se pueden suscribir al mismo también ahora desde 00:20:53.000 --> 00:20:58.000 YouTube, y nos oímos pronto si dios quiere. 00:20:58.000 --> 00:21:03.000 Hasta entonces, un saludo, e go Apple Core. 00:21:31.000 --> 00:21:38.000 Puedes escuchar más episodios de Apple Coding en Wanda punto com, la comunidad de podcast independientes en español.