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 --> 00:00:14.000 Hola y bienvenidos a un nuevo episodio de Apple Coding Daily. 00:00:16.000 --> 00:00:20.000 En muchas ocasiones, cuando hablo del machine learning, de la inteligencia 00:00:20.000 --> 00:00:24.000 artificial, en el último año, de hecho, literalmente, porque el pasado 00:00:24.000 --> 00:00:28.000 treinta de noviembre fue cuando la inteligencia artificial explotó y 00:00:28.000 --> 00:00:32.000 llegó a las grandes masas Con el lanzamiento de ChatGPT, pues, 00:00:32.000 --> 00:00:36.000 básicamente, cuando hablo de machine learning o inteligencia artificial, 00:00:36.000 --> 00:00:44.000 Siempre hay alguien que dice, ¿y dónde está Apple? 00:00:44.000 --> 00:00:46.000 Es que Apple está dormida. 00:00:46.000 --> 00:00:47.000 En fin. 00:00:48.000 --> 00:00:52.000 Tenemos que tener en cuenta que Apple, junto a Meta, junto a Open AI, junto 00:00:52.000 --> 00:00:56.000 a Google, son Una es una de las empresas que más dinero invierte en 00:00:56.000 --> 00:01:02.000 inteligencia artificial. 00:01:03.000 --> 00:01:07.000 Desde hace muchísimos años, principalmente, desde su primer lanzamiento 00:01:07.000 --> 00:01:11.000 de librería de machine learning en el año dos mil diecisiete con Core 00:01:11.000 --> 00:01:15.000 ML, pero ya venían trabajando previamente en ello y se ha ido 00:01:15.000 --> 00:01:19.000 implementando dentro de los sistemas operativos y, además, es una de las 00:01:19.000 --> 00:01:23.000 empresas que mejor controla, maneja e implementa en sus sistemas todo lo 00:01:23.000 --> 00:01:29.000 que tiene que ver con el deep learning. 00:01:29.000 --> 00:01:38.000 Claro, el problema es que desde el treinta de noviembre de dos mil veintidós parece que el deep learning ya no existe, solo existe la IA generativa. 00:01:39.000 --> 00:01:44.000 Pues bien, Apple, lógicamente, está en ese mercado, como ya hemos 00:01:44.000 --> 00:01:49.000 comentado en otras ocasiones, y ahora acaba de dar un paso más en esa 00:01:49.000 --> 00:01:54.000 dirección con el lanzamiento de dos frameworks o librerías que ponen a 00:01:54.000 --> 00:02:02.000 Apple de nuevo en el punto necesario para todo lo que está por venir el próximo año. 00:02:02.000 --> 00:02:03.000 Vamos a hablar de ello. 00:02:16.000 --> 00:02:19.000 Disculpe, señor Ramírez, Tienes un momento. 00:02:19.000 --> 00:02:21.000 Pasa, pasa, pasa, y cierra. 00:02:21.000 --> 00:02:23.000 ¿En qué puedo ayudarte? 00:02:23.000 --> 00:02:31.000 Vala, es que ella lleva unos años en Esta empresa, pero sigo siendo Junior y me preguntaba, ¿cuándo se reseño? 00:02:31.000 --> 00:02:34.000 A ver, Paco, ¿cómo te explico este home? 00:02:34.000 --> 00:02:43.000 Cesenio, en esta empresa es un sentimiento, es algo que se arraiga en el alma y en tu forma de sentir la vida. 00:02:43.000 --> 00:02:44.000 No te suerdo, 00:02:44.000 --> 00:02:45.000 No será. 00:02:45.000 --> 00:02:48.000 Es tener conocimiento para volar más harto. 00:02:48.000 --> 00:02:49.000 ¿Y cómo vuelo más alto? 00:02:49.000 --> 00:02:51.000 Bajito Orión, tú tienes estudio. 00:02:51.000 --> 00:02:54.000 Sabes que debes conocer, Pase semi. 00:02:55.000 --> 00:02:58.000 Anda, a ver aquí, toma, Estudiate, mira. 00:02:58.000 --> 00:03:06.000 Yuai kil, zuel yuan, t del delta, esto de servidores que no sé Que pone papas de agua o algo así, no sé, esto también. 00:03:06.000 --> 00:03:09.000 Arquitectura, que son muy importantes por aquí, muy importantes. 00:03:09.000 --> 00:03:11.000 Seguridad, que no queremos lío, ah, ¿y 00:03:11.000 --> 00:03:13.000 ¿Tú sabes que es eso de la realidad, aumentando? 00:03:14.000 --> 00:03:16.000 Sí, eso de los Pokémon, ¿no? 00:03:16.000 --> 00:03:18.000 Que los cazaba en la calle, ¿no? 00:03:18.000 --> 00:03:24.000 Muy bien, Pues Ale, también el Vice un Frog, que no va a venir bien para proyecto y alguien tiene que hacerlo. 00:03:35.000 --> 00:03:39.000 Estos niños que hay que llevarlos de la manita, es que no me crecen y no me crecen. 00:03:44.000 --> 00:03:47.000 No, esta no es la empresa ideal, ¿verdad? 00:03:47.000 --> 00:03:51.000 Pero al menos el señor Ramírez tenía razón en algo, aunque sea de casualidad. 00:03:52.000 --> 00:03:59.000 El conocimiento es lo que te abrirá las puertas para mejorar en tu carrera profesional, conocimiento y experiencia. 00:03:59.000 --> 00:04:03.000 ¿Quieres avanzar en tu carrera profesional apostando por el desarrollo móvil en entornos Apple? 00:04:03.000 --> 00:04:06.000 En Apple Coding Academy tenemos lo que estás buscando. 00:04:07.000 --> 00:04:11.000 Presentamos la cuarta edición de nuestro Swift full stack bootcamp, un 00:04:11.000 --> 00:04:15.000 bootcamp diseñado para convertir a cualquier desarrollador, Sea cual sea 00:04:15.000 --> 00:04:19.000 la tecnología o lenguaje donde trabaje, en un senior iOS Developer con 00:04:19.000 --> 00:04:23.000 conocimiento en todo lo que en cualquier empresa o consultora piden, lo 00:04:23.000 --> 00:04:29.000 que necesitas para montarte por tu cuenta si quieres trabajar por ti mismo. 00:04:29.000 --> 00:04:35.000 En el Swift full staff bootcamp encontrarás Swift como elemento común a Todo el desarrollo y la formación. 00:04:35.000 --> 00:04:38.000 A partir de ahí aprenderás concurrencia de procesos, asincronía, 00:04:38.000 --> 00:04:42.000 arquitectura de proyectos para que ninguna combinación, sea cual sea, se te resista. 00:04:42.000 --> 00:04:46.000 Todo ello, por supuesto, aprendiendo UIKID y SWIFT UI al completo, cómo 00:04:46.000 --> 00:04:50.000 aplicar test y una aproximación basada en TDD cien por cien, Seguridad, 00:04:50.000 --> 00:04:54.000 desarrollo del lado servidor, machine learning y, por supuesto, todo un 00:04:54.000 --> 00:04:58.000 módulo dedicado al próximo paso en el desarrollo en entornos Apple, 00:04:58.000 --> 00:05:02.000 Apple Vision Pro y Vision OS, un bootcamp único pensado tanto para 00:05:02.000 --> 00:05:06.000 desarrolladores en otras tecnologías, junior o senior que quieran 00:05:06.000 --> 00:05:10.000 reinventarse y dar un cambio en sus vidas hacia el muy demandado sector 00:05:10.000 --> 00:05:14.000 del desarrollo en entornos Apple, O para aquellos desarrolladores que ya 00:05:14.000 --> 00:05:18.000 trabajen con Apple pero quieran especializarse y cubrir todas las lagunas 00:05:18.000 --> 00:05:22.000 que puedan llegar a tener O ponerse al día con las últimas novedades y 00:05:22.000 --> 00:05:26.000 actualizaciones para iOS diecisiete y el resto de sistemas lanzados por 00:05:26.000 --> 00:05:32.000 Apple en el año dos mil veintitrés. 00:05:32.000 --> 00:05:36.000 Tienes toda la información en nuestra web, acoding punto academy barra 00:05:36.000 --> 00:05:40.000 bootcamp, y descubre las distintas formas de financiación Hasta en 00:05:40.000 --> 00:05:44.000 treinta y seis meses o, incluso, en doce meses sin intereses. 00:05:45.000 --> 00:05:49.000 Nunca ha sido más fácil apostar por invertir en ti mismo para llegar más 00:05:49.000 --> 00:05:53.000 lejos, da el paso y apuesta por tu formación, apuesta por ti, por ese 00:05:53.000 --> 00:05:57.000 senior ios developer que llevas dentro y que encontrarás en el Swift food 00:05:57.000 --> 00:06:04.000 camp book camp de Apple Coding Academy. 00:06:18.000 --> 00:06:22.000 Está claro que si hablamos de machine learning, hablamos de deep learning, 00:06:22.000 --> 00:06:26.000 hablamos de funciones que ya estamos acostumbrados a ver en nuestros 00:06:26.000 --> 00:06:30.000 dispositivos Y que, por lo tanto, hemos, entre comillas, perdido la 00:06:30.000 --> 00:06:35.000 perspectiva, ¿no? 00:06:35.000 --> 00:06:38.000 De alguna manera de que eso es inteligencia artificial. 00:06:39.000 --> 00:06:43.000 Ya estamos acostumbrados a hacer fotos en modo retrato, estamos 00:06:43.000 --> 00:06:47.000 acostumbrados a cambiar el lo que es el modo retrato y darle mayor o menor 00:06:47.000 --> 00:06:51.000 campo, menor profundidad de campo, todo eso se hace con un modelo de 00:06:51.000 --> 00:06:56.000 segmentación, un modelo de deep learning. 00:06:56.000 --> 00:07:00.000 Cuando yo entro dentro de mi carrete de fotos en el iPhone, también 00:07:00.000 --> 00:07:04.000 funciona en Google Photos, obviamente, el resto de servicios de 00:07:04.000 --> 00:07:08.000 fotografías, Las fotos son reconocidas a nivel de contenido, yo puedo 00:07:08.000 --> 00:07:12.000 entrar en en mi aplicación de fotos o en Google fotos Y buscar cosas que 00:07:12.000 --> 00:07:16.000 aparezcan en las fotos. 00:07:16.000 --> 00:07:20.000 Yo, por ejemplo, sabía que mi hijo tenía una foto cuando era muy pequeño 00:07:20.000 --> 00:07:24.000 Con una camiseta de Superman y simplemente busqué Superman, y aparecieron 00:07:24.000 --> 00:07:30.000 todas las fotografías donde aparecía el logo de Superman o la figura de Superman. 00:07:31.000 --> 00:07:35.000 Pues porque todas las imágenes que tenemos en nuestras bibliotecas 00:07:35.000 --> 00:07:39.000 fotográficas, insisto, tanto en Android como a través de Google Photos, 00:07:39.000 --> 00:07:43.000 como en Apple están etiquetadas, están etiquetadas a través de machine 00:07:43.000 --> 00:07:47.000 learning, Igual que el reconocimiento de caras, que es una cosa que Apple 00:07:47.000 --> 00:07:51.000 tiene de desde hace muchísimos años y que es capaz de distinguir a una 00:07:51.000 --> 00:07:55.000 persona según va creciendo, yo tengo etiquetado a mi hijo y no lo he 00:07:55.000 --> 00:08:00.000 tenido que hacer yo, simplemente darle, de vez en cuando decirle ¿quién es? 00:08:00.000 --> 00:08:03.000 Para que más o menos aprenda las diferencias y es capaz de etiquetarlo en 00:08:03.000 --> 00:08:06.000 toda su evolución, desde que te era un bebé Hasta ahora que tiene más, 00:08:06.000 --> 00:08:10.000 tiene dieciséis años, ¿vale? 00:08:10.000 --> 00:08:13.000 Entonces es capaz de saber qué es él porque ha aprendido por refuerzo lo 00:08:13.000 --> 00:08:16.000 que es la imagen de la cara de mi hijo y, por lo tanto, es capaz de 00:08:16.000 --> 00:08:21.000 etiquetarlo en las fotos. 00:08:21.000 --> 00:08:28.000 Como eso, por ejemplo, las típicas pegatinas, esto Que se viralizó también en el que yo puedo pulsar, ¿no? 00:08:28.000 --> 00:08:34.000 En una imagen y mandarla como pegatina y ponerla, eso de nuevo es un algoritmo de segmentación basado en nerf. 00:08:35.000 --> 00:08:39.000 También tengo lo que son redes de radiación neural, entonces, campos de 00:08:39.000 --> 00:08:43.000 radiación neural, entonces todo eso es IA, IA que está integrada en los 00:08:43.000 --> 00:08:47.000 sistemas, incluso en la última versión de IOS, el Lo que es el 00:08:47.000 --> 00:08:51.000 diccionario, el que me permite ir escribiendo de manera predictiva, 00:08:51.000 --> 00:08:55.000 funciona a través de Transformers, con un modelo Parecido, mucho más 00:08:55.000 --> 00:09:04.000 pequeño, pero parecido a GPT, ¿vale? 00:09:04.000 --> 00:09:08.000 No, insisto, no es GPT, pero es un modelo basado en Transformers para que 00:09:08.000 --> 00:09:12.000 cuando yo estoy escribiendo, todo el contexto de la conversación pueda 00:09:12.000 --> 00:09:16.000 ser entendido y pueda Darme predicciones de lo que tengo que escribir en 00:09:16.000 --> 00:09:22.000 base a toda la conversación que estoy teniendo, ¿vale? 00:09:22.000 --> 00:09:26.000 O sea, son cosas que, insisto, pasan desapercibidas y parece que ya no 00:09:26.000 --> 00:09:30.000 existen, parece que lo único que ahora existe es la ya generativa que sea 00:09:30.000 --> 00:09:34.000 capaz de hablar conmigo de una manera que no habíamos hecho hasta la 00:09:34.000 --> 00:09:38.000 aparición de GPT Tres, y los modelos de conversación con los cuales, 00:09:38.000 --> 00:09:42.000 como ya he contado alguna vez, yo ya estoy trabajando desde mucho antes de 00:09:42.000 --> 00:09:46.000 ChatGPT, a través de la propia API, porque tenías tú que montar el modo 00:09:46.000 --> 00:09:50.000 conversación, luego ya ChatGPT lo montó y empezó a darle esteroides, a 00:09:50.000 --> 00:09:57.000 ponerle plugins, etcétera. 00:09:57.000 --> 00:10:03.000 También todo el tema de la visión computerizada, que permite, que esto es algo que ya se podía hacer, ¿vale? 00:10:03.000 --> 00:10:11.000 Lo que pasa que ahora, Con mucho más nivel, yo antes podía pasar una foto a través de un modelo de Deep Learning y me decía que había en la foto. 00:10:11.000 --> 00:10:15.000 Ahora, los modelos de lenguaje, unidos a los modelos de interpretación de 00:10:15.000 --> 00:10:19.000 imágenes, son capaces de darme descripciones mucho talladas de lo que hay 00:10:19.000 --> 00:10:23.000 en una imagen, no solo decirme que hay un gato, que hay un perro o que hay 00:10:23.000 --> 00:10:27.000 un coche rojo, ¿de acuerdo? 00:10:27.000 --> 00:10:32.000 Entonces, obviamente, todo esto va evolucionando Y Apple sigue ahí. 00:10:32.000 --> 00:10:40.000 El problema es que Apple tiene sus tiempos y Apple también, y esto no se puede negar, le ha pillado a pie cambiado. 00:10:40.000 --> 00:10:43.000 Apple, como el resto de la industria, no estaba preparado para que una 00:10:43.000 --> 00:10:46.000 compañía como OpenAI, de pronto, reventara el mundo tecnológico y lo 00:10:46.000 --> 00:10:49.000 cambiara por completo como ellos hicieron en dos mil siete con el 00:10:49.000 --> 00:10:55.000 lanzamiento del iPhone. 00:10:56.000 --> 00:10:59.000 Por lo tanto, Apple estaba mirando otro sitio, Y ese es el motivo que lo 00:10:59.000 --> 00:11:02.000 comenté el otro día en nuestro directo del sábado, por el que Apple 00:11:02.000 --> 00:11:05.000 Vision Pro ha pasado desapercibida, entre comillas, no ha tenido toda la 00:11:05.000 --> 00:11:08.000 atención Que a Apple le hubiera gustado, pero obviamente no podían 00:11:08.000 --> 00:11:11.000 retrasar el lanzamiento porque ellos ya tenían un timeline prefijado, Y 00:11:11.000 --> 00:11:14.000 lo que no podían prever es que meses antes del lanzamiento de su nuevo 00:11:14.000 --> 00:11:17.000 dispositivo, que pretende cambiarlo todo nuevamente, como ya lo hizo el 00:11:17.000 --> 00:11:27.000 iPhone, pues resulta que todo el mundo está, ¿cómo? 00:11:28.000 --> 00:11:31.000 Mirando para otro lado, están mirando para la guía generativa, por lo que 00:11:31.000 --> 00:11:34.000 no prestaron atención Ah, el tema de la realidad virtual, la realidad 00:11:34.000 --> 00:11:37.000 mixta, etcétera, etcétera, porque ahora la gente lo que quiere es 00:11:37.000 --> 00:11:40.000 hiagenerativa, lo que quiere son modelos de lenguaje, lo que quieres son 00:11:40.000 --> 00:11:43.000 modelos generativos de imágenes, lo que quieres son modelos de trabajo 00:11:43.000 --> 00:11:49.000 con vídeo, etcétera, etcétera. 00:11:50.000 --> 00:11:56.000 Pero si nos asomamos a todo este mundo en el que la gente puede decir, no, haz que Apple, como he dicho antes, ¿no? 00:11:56.000 --> 00:11:57.000 Que está durmiendo, ¿no? 00:11:57.000 --> 00:11:58.000 No, no, Apple no está durmiendo. 00:11:59.000 --> 00:12:04.000 Apple no va a hacer, como ha hecho, por ejemplo, Meta, o como ha hecho 00:12:04.000 --> 00:12:09.000 cualquier otra compañía, Apple no va a lanzar productos inacabados, es 00:12:09.000 --> 00:12:14.000 que, de verdad, miren ustedes todos los modelos de machine, Todo modelo de 00:12:14.000 --> 00:12:19.000 guía generativa que ha buena que haya ahora mismo, y salvo Midjourney, 00:12:19.000 --> 00:12:24.000 salvo ChaGPT, salvo Dalí y, últimamente, tampoco es que vaya muy allá. 00:12:24.000 --> 00:12:28.000 O sea, hay muy pocos productos que realmente podamos clasificar como un 00:12:28.000 --> 00:12:32.000 producto terminado, pero es que ni siquiera ChatGPT es un producto 00:12:32.000 --> 00:12:38.000 terminado, porque ChatGPT, como bien sabemos, se equivoca y mucho. 00:12:39.000 --> 00:12:47.000 No solo eso, es que te lo pone incluso cuando vas a usar ChatGPT y te dice, oye, que esto puede no ser cien por cien eficiente, ¿por qué? 00:12:47.000 --> 00:12:52.000 Pues porque ChatGPT es una aleatoriedad que su propósito es construir 00:12:52.000 --> 00:12:57.000 texto en base a ser coherente gramatical, declamaticalmente y a nivel de 00:12:57.000 --> 00:13:02.000 contenido, no es una IA inteligente que te contesta y que, oh, Dios mío, 00:13:02.000 --> 00:13:07.000 hemos descubierto que no, que ChatGPT no es más que un constructor 00:13:07.000 --> 00:13:12.000 aleatorio, repito, Aleatorio, que lo que hace es rellenar, completar texto 00:13:12.000 --> 00:13:17.000 en base a lo que ya tiene y, obviamente, como tiene mucho, porque no es 00:13:17.000 --> 00:13:22.000 que tenga mucho conocimiento, es que ha sido entrenado con muchísima 00:13:22.000 --> 00:13:27.000 información, pues obviamente es capaz de completarte, pero tú piensas 00:13:27.000 --> 00:13:32.000 que te está hablando y contando ciertas cosas, pero a ChatGPT Es muy 00:13:32.000 --> 00:13:37.000 fácil hacerle cambiar de opinión, es muy fácil engañarlo, es muy 00:13:37.000 --> 00:13:42.000 fácil que tenga lo que se conoce técnicamente como alucinaciones, que 00:13:42.000 --> 00:13:47.000 son Cosas que no son reales y puedes llegar a convencerlo de que alguien, 00:13:47.000 --> 00:13:52.000 pues, como hizo Chema Alonso, que lo convenció de que Chema Alonso había 00:13:52.000 --> 00:13:58.000 la cárcel, cuando no es cierto, etcétera, ¿vale? 00:13:58.000 --> 00:14:07.000 Y puedes incluso llegar a llegar a engañarlo, engañarlo para que haga cosas que, en principio, no debería de poder hacer. 00:14:07.000 --> 00:14:10.000 ChatGPT, como servicio para ser un producto terminado, debería tener Un 00:14:10.000 --> 00:14:13.000 modelo generativo, o sea, no no generativo, sino un modelo enfrentado como 00:14:13.000 --> 00:14:17.000 si fuera una Gang, ¿vale? 00:14:17.000 --> 00:14:21.000 Una regenerativa adversaria que supervisara, que no sé si lo tendrá ahora 00:14:21.000 --> 00:14:25.000 mismo, pero desde luego no lo tiene al nivel que sería necesario, una 00:14:25.000 --> 00:14:29.000 regenerativa adversaria que Supervisara todos los resultados que ChaGPT da 00:14:29.000 --> 00:14:33.000 para evitar que ChaGPT, primero, dé información o hable o cuente de 00:14:33.000 --> 00:14:37.000 cosas que no debería, por tema ético, moral, sexual, etcétera, y por 00:14:37.000 --> 00:14:44.000 otro lado, que también haya una, bueno, pues pues una comprobación, ¿no? 00:14:44.000 --> 00:14:47.000 Yo cuando uso HGPT para buscar información o para documentarme, lo primero 00:14:47.000 --> 00:14:50.000 que hago, una vez ya tengo toda la información, es hacer, como haría 00:14:50.000 --> 00:14:53.000 cualquier científico, una verificación por pares, porque no me puedo 00:14:53.000 --> 00:14:59.000 fiar de lo que me diga Chart GPT porque puede engañarme, ¿vale? 00:14:59.000 --> 00:15:06.000 Puede, en en En ese completado aleatorio puede ser que me dé información que no sea precisa, que no sea correcta, ¿vale? 00:15:06.000 --> 00:15:08.000 Y entonces eso me puede provocar un problema. 00:15:09.000 --> 00:15:16.000 Así que, Ahora mismo lo que tenemos que entender es que toda la IA generativa son aplicaciones en beta. 00:15:16.000 --> 00:15:23.000 Yo no ¿puedo con Midjourney generar una imagen y luego generar otra que siga el mismo patrón de la imagen anterior? 00:15:24.000 --> 00:15:30.000 Si lo consigo, Es casi de chiripa y haciendo mil millones de trucos de todo tipo, ¿por qué? 00:15:30.000 --> 00:15:35.000 Porque el producto en sí lo que hace es generar imágenes aleatorias, ¿vale? 00:15:35.000 --> 00:15:37.000 Por lo tanto, esto es lo que tenemos, y esto obviamente también le pasará 00:15:37.000 --> 00:15:39.000 a Apple cuando saque sus modelos, pero claro, Apple tiene que tener un 00:15:39.000 --> 00:15:43.000 producto acabado. 00:15:43.000 --> 00:15:49.000 Yo cuando alguien me dice, no, es que Apple está durmiendo, bueno, y y Google no lo está, porque Google, ¿qué ha sacado? 00:15:49.000 --> 00:15:53.000 Bart, que funciona mil quinientos millones de veces peor, es que yo creo 00:15:53.000 --> 00:15:57.000 que no podríamos llamarlo ni siquiera versión preview, ni siquiera 00:15:57.000 --> 00:16:01.000 versión alfa de lo mal que va Google Bart, o el propio llama al modelo de 00:16:01.000 --> 00:16:05.000 meta, que sí, que puedes hacer cosas, pero igualmente está a mucha 00:16:05.000 --> 00:16:09.000 distancia de lo que es Chart GPT, porque OpenAI está a mucha distancia 00:16:09.000 --> 00:16:14.000 del resto de la competencia, ¿vale? 00:16:14.000 --> 00:16:19.000 Entonces, plantada esta semilla a nivel de opinión, Lo que queremos contar 00:16:19.000 --> 00:16:24.000 hoy es cómo Apple sigue trabajando, pero sigue trabajando en sus tiempos 00:16:24.000 --> 00:16:29.000 concretos, Y sus tiempos concretos son en los que ellos deciden cuándo 00:16:29.000 --> 00:16:34.000 van a sacar algo que sea lo más parecido a un producto Tatado, no todo el 00:16:34.000 --> 00:16:39.000 mundo puede usar ChatGPT, porque para usar ChatGPT tienes que, uno, saber 00:16:39.000 --> 00:16:44.000 que tienes que Hacer verificación por pares de cierta información, y 00:16:44.000 --> 00:16:49.000 dos, que es lo más importante, ser capaz de expresarte para que ChatGPT 00:16:49.000 --> 00:17:00.000 te dé las cosas. 00:17:00.000 --> 00:17:05.000 ChatGPT no se puede usar, lo hemos dicho mil veces, no se puede usar como si fuera Google, no es un buscador. 00:17:06.000 --> 00:17:10.000 ChatGPT es como un becario que sabe un montón de cosas, pero que le tienes 00:17:10.000 --> 00:17:14.000 que dar todas las instrucciones de una manera absolutamente precisa, y si 00:17:14.000 --> 00:17:19.000 no, no te va a dar el contenido que tú quieres. 00:17:19.000 --> 00:17:23.000 Con ChatGPT podemos hacer, literalmente, milagros. 00:17:24.000 --> 00:17:28.000 Yo el otro día, tratando información con un JSON A partir de un CSV 00:17:28.000 --> 00:17:32.000 conseguí una transformación de un fichero de cerca de noventa megas de 00:17:32.000 --> 00:17:36.000 fliparlo, pero tuve que darle un detalle en el que cada petición era, 00:17:36.000 --> 00:17:40.000 como mínimo, de quince líneas de descripción de todo lo que tenía que 00:17:40.000 --> 00:17:44.000 hacer paso por paso, para que me fuera dando la solución paso por paso en 00:17:44.000 --> 00:17:51.000 el procesamiento de los archivos que yo le iba dando. 00:17:51.000 --> 00:17:54.000 Por lo tanto, sí, podemos hacer cosas increíbles. 00:17:55.000 --> 00:18:04.000 Yo, en media hora, fui capaz de hacer algo que normalmente me hubiera llevado Tantos días que ni siquiera habría intentado hacerlo, ¿de acuerdo? 00:18:04.000 --> 00:18:09.000 Pero hay que saber, y no todo el mundo, volvemos a lo mismo, Los modelos de 00:18:09.000 --> 00:18:14.000 IA generativa, ¿quiénes quién era capaz de generar imágenes con IA 00:18:14.000 --> 00:18:19.000 generativa antes de que Dalí pusiera, Dalí integrado en ChatGPT pusiera 00:18:19.000 --> 00:18:25.000 un nivel más fácil de entrada en el que los proms los genera el propio GPT. 00:18:26.000 --> 00:18:30.000 Pues muy poca gente, porque había que hacerlo en inglés, porque había 00:18:30.000 --> 00:18:34.000 que ser muy preciso, porque había que saber construir los proms, había 00:18:34.000 --> 00:18:38.000 que ser el famoso Prome Engineer no estaba a la altura de cualquiera, ¿de acuerdo? 00:18:38.000 --> 00:18:43.000 Lo que Apple está haciendo con lo que Apple está trabajando es intentando 00:18:43.000 --> 00:18:48.000 que la idea generativa Llegue al máximo número posible de personas, que 00:18:48.000 --> 00:18:53.000 cualquier persona, desde mi hija, mi suegra, mi madre, la abuela de tu 00:18:53.000 --> 00:18:58.000 tía o tu tía Clarita, sean capaces de usar la I degenerativa de una 00:18:58.000 --> 00:19:03.000 manera que sea totalmente, pues eso, producto Apple intuitiva, fácil, que 00:19:03.000 --> 00:19:11.000 no tengan que tener ningún tipo de conocimiento técnico, etcétera, ¿vale? 00:19:11.000 --> 00:19:12.000 Ese es el objetivo. 00:19:12.000 --> 00:19:16.000 Con ese objetivo, Apple acaba de lanzar dos librerías que Lo ponen a la 00:19:16.000 --> 00:19:20.000 capacidad a nivel de herramientas con todo lo que es Apple Silicon para 00:19:20.000 --> 00:19:25.000 poder trabajar de una manera mejor. 00:19:25.000 --> 00:19:28.000 La primera de ellas es una librería llamada MLX. 00:19:29.000 --> 00:19:34.000 MLX es una librería que es un framework para machine learning Desarrollado 00:19:34.000 --> 00:19:39.000 por Apple y que está, de alguna manera, intentando proporcionar una forma 00:19:39.000 --> 00:19:44.000 de que Todos los desarrollos que al día de hoy se hacen, basados en 00:19:44.000 --> 00:19:49.000 frameworks como PyTorch, como NumPy, como o TensorFlow, etcétera, puedan 00:19:49.000 --> 00:19:56.000 ser ejecutados de manera nativa dentro de Apple Silicon. 00:19:57.000 --> 00:20:02.000 MLX es un framework que está centrado en lo que sería el entrenamiento y 00:20:02.000 --> 00:20:07.000 el despliegue de los distintos de las distintas librerías y, de hecho, 00:20:07.000 --> 00:20:12.000 tenemos una serie de ejemplos que directamente nos permiten ejecutar los 00:20:12.000 --> 00:20:17.000 modelos de Llama, que es el modelo de lenguaje de Meta, nos permite 00:20:17.000 --> 00:20:22.000 ejecutar Stable Diffusion, nos permite ejecutar Whisper, nos permite 00:20:22.000 --> 00:20:27.000 ejecutar varios modelos que son tanto de lenguaje, como de generación de 00:20:27.000 --> 00:20:32.000 imágenes, como de, En fin, hay varios ejemplos que directamente podemos 00:20:32.000 --> 00:20:37.000 utilizar con muy pocas líneas y que nos permiten ver cómo Estos 00:20:37.000 --> 00:20:42.000 entrenamientos, o cómo estas generaciones, corren directamente, y esto es 00:20:42.000 --> 00:20:47.000 lo más importante, en el hardware de Apple Silicon, porque Este este MLX 00:20:47.000 --> 00:20:52.000 tiene una API muy familiar para todo aquel que ya esté trabajado, esté 00:20:52.000 --> 00:20:57.000 acostumbrado a trabajar con NumPay, Con lo que es la librería de de 00:20:57.000 --> 00:21:02.000 gestión de cálculos de arrays, etcétera, de Python, y que sigue la 00:21:02.000 --> 00:21:07.000 forma en la que están construidos frameworks como PyTorch de Meta para lo 00:21:07.000 --> 00:21:12.000 que es todo el trabajo con machine learning. 00:21:13.000 --> 00:21:17.000 Lo que hace es permitir, a través de ejecución nativa en Apple Silicon, 00:21:17.000 --> 00:21:21.000 de transformaciones de funciones componibles, de computación de tipo 00:21:21.000 --> 00:21:25.000 perezoso para que solamente Se ejecuten los cálculos computacionales 00:21:25.000 --> 00:21:29.000 cuando son invocados, la construcción de grafos dinámicos, la ejecución 00:21:29.000 --> 00:21:33.000 multidispositivo o, y esto Es muy importante el uso de lo que es la 00:21:33.000 --> 00:21:37.000 arquitectura de memoria unificada, que es lo que caracteriza a Apple 00:21:37.000 --> 00:21:41.000 Silicon, de forma que así nos permite una forma mucho más práctica de 00:21:41.000 --> 00:21:45.000 poder hacer entrenamientos de machine learning con cualquiera de los 00:21:45.000 --> 00:21:49.000 modelos, porque eso es un poco el objetivo, que yo pueda tener modelos 00:21:49.000 --> 00:21:53.000 generales hechos en Python, en TensorFlow, que utilizan Numpai, etcétera, 00:21:53.000 --> 00:21:57.000 y que podamos coger esos modelos y, de una manera muy simple, con muy poco 00:21:57.000 --> 00:22:01.000 código, Podamos adaptarlos para que se puedan entrenar con toda la 00:22:01.000 --> 00:22:05.000 aceleración por hardware que tiene Apple a nivel de los metal performance 00:22:05.000 --> 00:22:09.000 shaders, que serían los Aceleradores de cálculo computacional que tienen 00:22:09.000 --> 00:22:13.000 las GPUs de Apple Silicon y la ejecución por lo que sería la inferencia 00:22:13.000 --> 00:22:17.000 de modelos A través de los motores neurales, por lo tanto, aprovecha el 00:22:17.000 --> 00:22:21.000 cien por cien del hardware que Apple tiene en los chips Apple Silicon para 00:22:21.000 --> 00:22:25.000 poder realizar todo tipo de Trabajo de programación científica y de 00:22:25.000 --> 00:22:29.000 investigación en los campos del deep learning y todo lo que es, pues, 00:22:29.000 --> 00:22:40.000 cálculo computacional, ¿de acuerdo? 00:22:40.000 --> 00:22:44.000 Entonces, de esa manera, ya podremos trabajar con Apple de manera nativa, 00:22:44.000 --> 00:22:48.000 con modelos que no tengan por qué estar desarrollados para entornos 00:22:48.000 --> 00:22:52.000 Apple, pero que aún así sean muy fáciles de implementar, ejecutar y no 00:22:52.000 --> 00:22:56.000 tener que hacer ningún tipo de transformación extraña, porque sigue los 00:22:56.000 --> 00:23:00.000 patrones de, insisto, Acción extraña porque sigue los patrones de, 00:23:00.000 --> 00:23:04.000 insisto, otras librerías a nivel de cómo está desarrollado, como 00:23:04.000 --> 00:23:08.000 PyTorch, NumPy, etcétera, por lo que La transformación para poder 00:23:08.000 --> 00:23:14.000 adaptar este framework de a raíz de cálculo computacional es muy sencillo. 00:23:14.000 --> 00:23:24.000 Apple también ha lanzado la librería AX Learn, una librería construida sobre las librerías JAX y XLA. 00:23:25.000 --> 00:23:29.000 JAX es una librería que amplía el uso de la librería Numpai y que está 00:23:29.000 --> 00:23:33.000 destinado a operaciones de álgebra de alto nivel para modelos de gran 00:23:33.000 --> 00:23:37.000 escala, y XLA es un compilador que forma parte de, está creado por 00:23:37.000 --> 00:23:41.000 Google, forma parte de TensorFlow, pero puede usarse aparte y que permite, 00:23:41.000 --> 00:23:45.000 pues, el uso de compilación y cálculo lo paralizado de todo lo que se 00:23:45.000 --> 00:23:49.000 hace con Jacques, etcétera, para el cálculo para la creación de modelos 00:23:49.000 --> 00:23:56.000 de gran escala. 00:23:56.000 --> 00:23:58.000 Modelos grandes, ¿qué es un modelo grande? 00:23:58.000 --> 00:24:03.000 Pues un modelo grande es GPT, un modelo grande es Dalí, un modelo grande 00:24:03.000 --> 00:24:08.000 es cualquier modelo de gran escala que permite, pues, un entrenamiento a 00:24:08.000 --> 00:24:13.000 alto nivel Y que ahora, gracias a esta librería AX Learn, también pueden 00:24:13.000 --> 00:24:18.000 ser entrenados de manera local y pueden ser ejecutados de manera local 00:24:18.000 --> 00:24:23.000 dentro de Apple Silicon. 00:24:23.000 --> 00:24:27.000 Esto es una cosa que también es muy muy interesante, muy importante, y 00:24:27.000 --> 00:24:31.000 que, digamos, que Pone el foco de una manera muy clara en que el objetivo 00:24:31.000 --> 00:24:35.000 de Apple no es la nube, ya saben que es la Diferenciación que Apple 00:24:35.000 --> 00:24:39.000 quiere y la diferenciación que Apple, de alguna manera, quiere tener con 00:24:39.000 --> 00:24:43.000 el resto de la industria, mientras el resto de la industria, Open AI, 00:24:43.000 --> 00:24:47.000 Microsoft, Meta, etcétera, intentan que todo se ejecute en la nube para 00:24:47.000 --> 00:24:51.000 quedarse con nuestros datos, Apple lo que quiere es que todo esto se 00:24:51.000 --> 00:24:55.000 ejecute en local, que todos estos modelos puedan ser trabajados por 00:24:55.000 --> 00:24:59.000 cualquier tipo de científico de computación que quiere utilizar estas 00:24:59.000 --> 00:25:03.000 herramientas y que pueda hacerlo todo de manera local en su máquina, 00:25:03.000 --> 00:25:12.000 aprovechando los equipos Ultra, los equipos Macs, etcétera, etcétera, ¿vale? 00:25:12.000 --> 00:25:16.000 Para poder tener una forma mejor de trabajar Y no tener que depender de 00:25:16.000 --> 00:25:20.000 alquilar una nube, de cogerle servidores a Azure o Amazon Web Service o a 00:25:20.000 --> 00:25:24.000 Google Cloud, etcétera, ¿vale? 00:25:25.000 --> 00:25:28.000 Ese es el objetivo, que toda la gente que quiera trabajar con machine 00:25:28.000 --> 00:25:31.000 learning y con todo este tipo de entrenamientos de modelos, etcétera, 00:25:31.000 --> 00:25:34.000 etcétera, tenga las herramientas para poder, entre ellos la propia Apple, 00:25:34.000 --> 00:25:37.000 que está haciendo públicas estas librerías porque las dos Son de 00:25:37.000 --> 00:25:42.000 código abierto, ¿de acuerdo? 00:25:43.000 --> 00:25:47.000 Pues estas librerías permitan que cualquier científico de computación, 00:25:47.000 --> 00:25:51.000 cualquier persona que desarrolle deep learning, Cualquier persona que 00:25:51.000 --> 00:25:55.000 esté interesada en en trabajar o ejecutar estos nuevos modelos 00:25:55.000 --> 00:25:59.000 generativos que hay en él lo que es el la propia Internet y que han 00:25:59.000 --> 00:26:03.000 revolucionado todo el tema de Laia, puedan también ser entrenados, 00:26:03.000 --> 00:26:09.000 ejecutados, trabajados, desarrollados dentro del hardware de Apple Silicon. 00:26:09.000 --> 00:26:14.000 Por lo tanto, como podemos ver, Apple no está dormida, simplemente que 00:26:14.000 --> 00:26:19.000 Apple tiene sus tiempos, y Apple, obviamente, todo esto que está haciendo 00:26:19.000 --> 00:26:24.000 Tiene un objetivo, que es lanzar un producto final, un producto usable, no 00:26:24.000 --> 00:26:29.000 un producto a medias, como el noventa Cinco por ciento de todo lo que hoy 00:26:29.000 --> 00:26:34.000 día se lanza en el mundo del machine learning, que yo veo cosas, flipas, 00:26:34.000 --> 00:26:39.000 dice, qué maravilla, Luego entras y aquello no es utilizable ni de coña, 00:26:39.000 --> 00:26:44.000 no sirve para nada, más allá que el meme De turno porque no es un 00:26:44.000 --> 00:26:49.000 producto acabado, es un producto en fase de desarrollo, y esto es la 00:26:49.000 --> 00:26:54.000 realidad, pero además es que es normal. 00:26:55.000 --> 00:26:59.000 Todos los productos necesitan una una fase, el problema es que esas fases 00:26:59.000 --> 00:27:03.000 de desarrollo, la el resto de compañías las hacen públicas y las lanzan 00:27:03.000 --> 00:27:07.000 como si fueran productos ya terminados y la gente va y paga por 00:27:07.000 --> 00:27:11.000 utilizarlos, pero en realidad no son productos terminados, son productos 00:27:11.000 --> 00:27:15.000 que están en desarrollo y que nosotros estamos utilizando, pues como los 00:27:15.000 --> 00:27:19.000 juegos de Steam que no están terminados y que yo pago por el early access 00:27:19.000 --> 00:27:23.000 para empezar a jugar, aunque sé que el juego puede tener errores y con 00:27:23.000 --> 00:27:27.000 eso soy un beta tester más, e incluso pago por ello, pues esto es lo que 00:27:27.000 --> 00:27:31.000 estamos haciendo todos con el noventa y cinco por ciento de todos los 00:27:31.000 --> 00:27:35.000 todas las herramientas de IA que hay ahora mismo en el mercado, que 00:27:35.000 --> 00:27:39.000 muchas, la gran mayoría, no son prácticas o para obtener un resultado 00:27:39.000 --> 00:27:43.000 práctico tengo que intentarlo varias veces o tengo que modificar el 00:27:43.000 --> 00:27:47.000 resultado que me han dado, porque lo que me dan directamente no me sirve, 00:27:47.000 --> 00:27:51.000 no son herramientas como podría ser un Word, un Keynote, un Numbers, un 00:27:51.000 --> 00:27:56.000 un Excel, un lo que sea, herramientas de Resultado final, ¿vale? 00:27:56.000 --> 00:27:58.000 Estas no lo son, ¿ok? 00:27:58.000 --> 00:28:01.000 Por lo tanto, pues bueno, aunque las estén integrando, Hay ciertas 00:28:01.000 --> 00:28:04.000 herramientas que sí lo tienen muy bien integrado todos estos temas, pero 00:28:04.000 --> 00:28:07.000 hay otras que no. 00:28:07.000 --> 00:28:11.000 Por lo tanto, insisto, hay como un cinco, diez por ciento de herramientas 00:28:11.000 --> 00:28:15.000 que sí funcionan, cosas, pues, que ha incluido Da Vinci Resolve, cosas 00:28:15.000 --> 00:28:19.000 que están dentro de Photoshop, cosas que están dentro de, en fin, 00:28:19.000 --> 00:28:23.000 ciertas herramientas que sí tienen Un uso final, pero la mayoría están 00:28:23.000 --> 00:28:27.000 en fase de desarrollo, y eso es lo que Apple no hace. 00:28:27.000 --> 00:28:31.000 Apple no saca cosas, En ese plan no saca productos finales, si saca 00:28:31.000 --> 00:28:35.000 librerías como estas o, como ya sacó en su momento y anunció, El 00:28:35.000 --> 00:28:39.000 lanzamiento de Matrioska Diffusion Models, del que hablamos en un programa 00:28:39.000 --> 00:28:43.000 que os dejo por aquí, si queréis verlo, que es el modelo generativo de 00:28:43.000 --> 00:28:47.000 imágenes de la propia Apple, que consigue una forma muy interesante de 00:28:47.000 --> 00:28:51.000 mejorar los modelos generativos de imágenes tipo Stable Diffusion, Dalí, 00:28:51.000 --> 00:28:55.000 etcétera, y que es de la propia Apple y que estará integrado en los 00:28:55.000 --> 00:29:01.000 sistemas de Apple a partir de verano de el próximo dos mil veinticuatro. 00:29:01.000 --> 00:29:05.000 Así que ese es el tema, Apple no está dormida. 00:29:05.000 --> 00:29:07.000 Por favor, dejemos de decir esta estupidez. 00:29:08.000 --> 00:29:13.000 Apple está trabajando, y cuando terminen los trabajos los iremos viendo. 00:29:13.000 --> 00:29:18.000 Nada más. 00:29:26.000 --> 00:29:27.000 Y poco más. 00:29:27.000 --> 00:29:30.000 Esto, pues, básicamente, Yo lo que pretendo, de alguna manera, es 00:29:30.000 --> 00:29:33.000 visibilizar, que esa es mi función como evangelista, visibilizar el 00:29:33.000 --> 00:29:36.000 trabajo que, en este Caso está haciendo Apple para que veamos de una 00:29:36.000 --> 00:29:39.000 manera clara con pruebas empíricas que Apple no está parado, que Apple 00:29:39.000 --> 00:29:42.000 no está viendo pasar por la puerta de su casa mucha y degenerativa, y 00:29:42.000 --> 00:29:45.000 ellos ¿No pasar por la puerta de su casa a mucha y a generativa y ellos 00:29:45.000 --> 00:29:50.000 están a huevas y a pipas? 00:29:50.000 --> 00:29:54.000 No, ellos están trabajando en lo que ya están trabajando, que es Pro, los 00:29:54.000 --> 00:29:58.000 nuevos sistemas, etcétera, etcétera, pero son muy conscientes de este 00:29:58.000 --> 00:30:03.000 cambio, como ya hablamos en su momento con todo lo que era Ajax, etcétera. 00:30:04.000 --> 00:30:08.000 Vienen trabajando prácticamente desde antes del lanzamiento de ChatGPT, 00:30:08.000 --> 00:30:12.000 desde otoño del año dos mil veintidós, Y después de un año y medio de 00:30:12.000 --> 00:30:16.000 trabajo intensivo, en el que se han visto pequeñas cosas como lo que 00:30:16.000 --> 00:30:20.000 hemos contado hoy, Finalmente, tendremos un cambio que Apple ya ha dicho 00:30:20.000 --> 00:30:24.000 de manera pública, que será el cambio más importante que ha habido en 00:30:24.000 --> 00:30:29.000 los sistemas operativos a nivel de manejo de usuario En toda la historia de Apple. 00:30:29.000 --> 00:30:33.000 Esperemos que esto no sea mucho hype y luego se quede en nada y realmente 00:30:33.000 --> 00:30:37.000 sea así y veamos algo Muy importante como producto final integrado en los 00:30:37.000 --> 00:30:41.000 sistemas operativos que nos permita, respetando nuestra privacidad y 00:30:41.000 --> 00:30:45.000 respetando Toda información, ser mucho más productivos con todas estas 00:30:45.000 --> 00:30:49.000 nuevas herramientas que nos permitan trabajar de una manera mucho más 00:30:49.000 --> 00:30:57.000 fiable Y, sobre todo, de una manera mucho más productiva. 00:30:58.000 --> 00:31:02.000 Poco más, si les ha gustado, por favor, suscríbanse, déjennos un like, 00:31:02.000 --> 00:31:06.000 si están en YouTube, etcétera, O algún comentario en x como arroba j c 00:31:06.000 --> 00:31:10.000 fimo note, ya saben que pueden nombrarnos, y nos oímos pronto si dios quiere. 00:31:10.000 --> 00:31:14.000 Hasta entonces, un saludo Y Google, Apple Code. 00:31:31.000 --> 00:31:39.000 Puedes escuchar más episodios de Apple Coding en Wanda punto com, la comunidad de podcast independientes en español.