WEBVTT Kind: captions Language: es 00:00:00.000 --> 00:00:08.000 Wanda, la comunidad de podcast independientes en español. 00:00:09.000 --> 00:00:14.000 Hola y bienvenidos a un nuevo episodio de Apple Coding Daily. 00:00:15.000 --> 00:00:20.000 Hoy va a ser un episodio un poco Intensito, ¿por qué? 00:00:20.000 --> 00:00:29.000 Porque vamos a tratar de explicar algo que, de por sí, es bastante complejo de Explicar, porque en sí mismo es bastante complejo. 00:00:30.000 --> 00:00:34.000 Vamos a hablar de uno de los primeros pasos que se han hecho públicos por 00:00:34.000 --> 00:00:38.000 Parte de Apple sobre los nuevos modelos generativos que llegarán en las 00:00:38.000 --> 00:00:42.000 próximas versiones de los sistemas operativos De Apple, a saber, iOS 00:00:42.000 --> 00:00:49.000 dieciocho, Mac OS dieciséis, etcétera. 00:00:50.000 --> 00:00:56.000 Los que llegarían, presentarían en la WWDC Del próximo año dos mil veinticuatro. 00:00:57.000 --> 00:01:02.000 En esas versiones parece ser, según Nos ha comentado Mark Gourman en sus 00:01:02.000 --> 00:01:07.000 rumores, rumores no rumores, porque yo estoy convencido que esos son, 00:01:07.000 --> 00:01:12.000 Digamos, rumores controlados, información que Apple le brinda para, 00:01:12.000 --> 00:01:17.000 digamos, mover el gallinero y dar salseillo, ¿no? 00:01:17.000 --> 00:01:18.000 Un poco en ese sentido. 00:01:19.000 --> 00:01:23.000 Entonces, una de las cosas que Gourman comenta es que, para Apple, la 00:01:23.000 --> 00:01:27.000 próxima gran versión de sistemas operativos va a ser una de las más 00:01:27.000 --> 00:01:31.000 Importantes de las más radicales de las que van a suponer un cambio más 00:01:31.000 --> 00:01:35.000 grande en el usuario, incluso los desarrolladores, De toda su historia, o 00:01:35.000 --> 00:01:39.000 sea que ojito con eso, y el principal responsable va a ser la inteligencia 00:01:39.000 --> 00:01:44.000 artificial generativa. 00:01:45.000 --> 00:01:49.000 La La inteligencia artificial como la que hoy día estamos utilizando con 00:01:49.000 --> 00:01:53.000 modelos como GPT, con el cual podemos usar El servicio chat GPT o modelos 00:01:53.000 --> 00:01:57.000 como Dalí, que también se puede usar dentro de GPT, modelos como 00:01:57.000 --> 00:02:01.000 Midjourney o muchos otros Servicios o modelos de inteligencia artificial 00:02:01.000 --> 00:02:05.000 generativa capaces de crear música, sonidos, Texto, imágenes, vídeo, 00:02:05.000 --> 00:02:09.000 modificarla para hacer auténticas virguerías, como que Hablemos otros 00:02:09.000 --> 00:02:19.000 idiomas, etcétera. 00:02:19.000 --> 00:02:24.000 Pues bien, por fin, Apple, a través de su página web machine learning 00:02:24.000 --> 00:02:29.000 punto Apple punto com, Nos ha hecho público el primer paso, el primer 00:02:29.000 --> 00:02:34.000 modelo, lo primero que hemos podido saber Con respecto a lo que se nos 00:02:34.000 --> 00:02:40.000 viene para el próximo año, y es lo que vamos a intentar explicar en este programa. 00:02:55.000 --> 00:03:02.000 Seguro que estás de acuerdo conmigo que el tiempo es lo más valioso que tenemos, Ya que una vez que pasa, no vuelve. 00:03:02.000 --> 00:03:06.000 Los últimos estudios dicen que los developers, los desarrolladores, 00:03:06.000 --> 00:03:10.000 invierten entre sesenta y noventa minutos Diarios en buscar soluciones 00:03:10.000 --> 00:03:14.000 para sus proyectos en vez de estar programando. 00:03:15.000 --> 00:03:24.000 Abrir Stablever Flow, teclear preguntas en ChatGPT O buscar innumerables tutoriales y cursos online hasta volverte loco. 00:03:25.000 --> 00:03:31.000 Da igual si es Swift, UIKit, Swift UI, y entonces te preguntas, ¿Estoy tomando las decisiones correctas? 00:03:32.000 --> 00:03:34.000 ¿Estoy utilizando las herramientas adecuadas? 00:03:35.000 --> 00:03:43.000 La información es fragmentada, Las opiniones diversas, no sabes a quién creer y no hay una guía coherente que seguir. 00:03:43.000 --> 00:03:49.000 Como nos decía hace poco un alumno, Pierdo veinte horas a la semana en búsqueda de soluciones. 00:03:50.000 --> 00:03:51.000 Hagamos unos números rápidos. 00:03:51.000 --> 00:03:56.000 Veinte horas perdidas a la semana Implica perder novecientas sesenta al año. 00:03:57.000 --> 00:04:00.000 Si hablamos de un coste de un desarrollador de cuarenta euros la hora, que 00:04:00.000 --> 00:04:03.000 tampoco es demasiado Para un senior, esto implica perder treinta y ocho 00:04:03.000 --> 00:04:07.000 mil cuatrocientos euros. 00:04:07.000 --> 00:04:11.000 Sí, has oído bien, treinta y ocho mil cuatrocientos, ¿y sabes qué? 00:04:11.000 --> 00:04:13.000 Que eso realmente no es lo importante. 00:04:13.000 --> 00:04:23.000 Lo que realmente importa es que esas horas perdidas eran para sí mismo, Para su familia, para sus sueños, para sus proyectos personales. 00:04:24.000 --> 00:04:28.000 Esta puede ser tu historia, o tal vez no, Pero esta historia nos enseña 00:04:28.000 --> 00:04:32.000 que debes reclamar tu tiempo si lo valoras, consolidar tu confianza si la 00:04:32.000 --> 00:04:37.000 necesitas, Y pulir tu talento si buscas tranquilidad. 00:04:37.000 --> 00:04:45.000 No será un camino fácil ni rápido, pero será transformador para ser dueño de tu tiempo Y no al revés. 00:04:45.000 --> 00:04:48.000 En Apple Coding Academy no somos héroes ni queremos serlo, solo hemos 00:04:48.000 --> 00:04:51.000 conseguido dibujar el mapa Punto por punto, que ni siquiera Apple ha 00:04:51.000 --> 00:04:56.000 podido terminar. 00:04:57.000 --> 00:05:05.000 Hay dos formas de hacer apps, como las hace la mayoría, o como dice Apple, Y esta última es la que nosotros te enseñamos. 00:05:06.000 --> 00:05:12.000 Steve Jobs dijo una vez, la única manera de hacer un trabajo genial es amar lo que haces. 00:05:12.000 --> 00:05:20.000 Si quieres amar, si quieres saber, si quieres ser el mejor senior, descubre tu nueva visión. 00:05:21.000 --> 00:05:28.000 Visítanos en acoding punto academy barra bootcamp, y comienza el cambio. 00:05:29.000 --> 00:05:30.000 Apple Coding Academy. 00:05:51.000 --> 00:05:54.000 Si os dijera que la inteligencia artificial generativa va a cambiar el 00:05:54.000 --> 00:05:57.000 mundo, estaría mintiéndoos, porque ya lo ha cambiado, No es algo de 00:05:57.000 --> 00:06:01.000 futuro, es algo de presente. 00:06:02.000 --> 00:06:06.000 Por eso, además, yo como formador y desarrollador, lo que he hecho y lo 00:06:06.000 --> 00:06:10.000 que, De hecho, llevo haciendo durante años, y diréis, bueno, es que 00:06:10.000 --> 00:06:14.000 ChatGPT salió hace, todavía no cumplido un año. 00:06:15.000 --> 00:06:19.000 No, no, es que yo llevo usando inteligencia artificial generativa desde 00:06:19.000 --> 00:06:23.000 hace bastante más, porque he estado trabajando con ella como herramienta 00:06:23.000 --> 00:06:27.000 a través de Github Copilot, que sí tiene más de un año, a través de 00:06:27.000 --> 00:06:31.000 los modelos GPT, yo trabajé e implementé, hice una aplicación, de 00:06:31.000 --> 00:06:35.000 hecho, Ahí tenemos, por ejemplo, en diciembre del año dos mil veintiuno, 00:06:35.000 --> 00:06:39.000 un año antes, prácticamente, del lanzamiento de ChatGPT, como en nuestro 00:06:39.000 --> 00:06:43.000 podcast Caneiser junto a nuestro amigo Libernavani, hicimos una entrevista 00:06:43.000 --> 00:06:47.000 a GPT, y esa entrevista fue posible porque yo creé una aplicación De iOS 00:06:47.000 --> 00:06:51.000 que integraba la API de OpenAI y creaba ese modelo de conversación, es 00:06:51.000 --> 00:06:55.000 decir, hacía lo que ChatGPT hizo Casi un año después, que es montar una 00:06:55.000 --> 00:06:59.000 completado de texto en un formato de conversación para crear, para 00:06:59.000 --> 00:07:03.000 generar Una conversación donde no existía ese programa, la verdad que 00:07:03.000 --> 00:07:07.000 gustó muchísimo y, pues, como digo, fue prácticamente un año antes del 00:07:07.000 --> 00:07:20.000 lanzamiento de GPT. 00:07:20.000 --> 00:07:27.000 Yo Yo llevo ya mucho tiempo trabajando con inteligencia artificial en Apple Coding Academy, en nuestra academia. 00:07:28.000 --> 00:07:36.000 Yo llevo enseñando inteligencia artificial desde el año dos mil diecisiete con el lanzamiento de la librería de Apple Core ML. 00:07:36.000 --> 00:07:40.000 En ese momento, Vi que Apple tenía una un especial interés en esta 00:07:40.000 --> 00:07:44.000 tecnología, igual que también ese mismo año apareció la librería 00:07:44.000 --> 00:07:48.000 ARKIT De realidad aumentada, y también viendo esa doble vertiente, 00:07:48.000 --> 00:07:52.000 comencé a estudiar y fuimos la primera academia de formación Tornos 00:07:52.000 --> 00:07:56.000 Apple en ofrecer ese tipo de formaciones en el mundo, porque, en fin, no 00:07:56.000 --> 00:08:05.000 todo el mundo vio el potencial y, desde luego, aquí están las pruebas. 00:08:06.000 --> 00:08:11.000 Con CoreML fijamos dónde hemos llegado con la inteligencia artificial y 00:08:11.000 --> 00:08:16.000 con ARKI, pues, en fin, si queréis os cuento lo que son La lo que es él, ¿vale? 00:08:16.000 --> 00:08:21.000 Que siempre tenemos ese lapso, porque siempre pensamos que son unas gafas, no lo son. 00:08:21.000 --> 00:08:29.000 Es un ordenador de computación espacial, ya sabemos que Apple pone nombres, por lo tanto, sería él Apple Vision Pro. 00:08:29.000 --> 00:08:33.000 Así que, en fin, eso nos ha dado una posición muy interesante y muy 00:08:33.000 --> 00:08:37.000 importante, y por lo tanto, como yo llevo muchísimo tiempo trabajando en 00:08:37.000 --> 00:08:41.000 esto, Ya no solo es cuestión de usarlo o no, es que a mí me gusta saber 00:08:41.000 --> 00:08:45.000 las tripas, me gusta saber la magia, me gusta saber cuál es el truco que 00:08:45.000 --> 00:08:49.000 hay detrás para que esto Funcione. 00:08:49.000 --> 00:08:54.000 Pues bien, Apple ha presentado hace unas pocas semanas de manera pública, 00:08:54.000 --> 00:08:59.000 A través de la web de Arbix punto r g, que es una página web donde todos 00:08:59.000 --> 00:09:04.000 los científicos de De tecnología, de investigación, etcétera, pues 00:09:04.000 --> 00:09:10.000 publican sus trabajos de investigación al respecto de, pues lo que sea, ¿no? 00:09:10.000 --> 00:09:13.000 Lo que se llaman Los papers científicos, ¿de acuerdo? 00:09:13.000 --> 00:09:16.000 De todo tipo, no solo tecnológicos, en fin, de cualquier tipo de rama. 00:09:17.000 --> 00:09:22.000 Pues bien, en Arbix Los varios ingenieros de Apple han publicado lo que es 00:09:22.000 --> 00:09:27.000 el modelo de difusión de generación de imágenes de Apple, Llamado el 00:09:27.000 --> 00:09:32.000 Matryoska Diffusion Model. 00:09:33.000 --> 00:09:37.000 Apple le ha puesto este este nombre como el de las Muñecas rusas, las 00:09:37.000 --> 00:09:41.000 muñecas matrioska, que sabemos que son muñequitas que puedes abrir y 00:09:41.000 --> 00:09:45.000 dentro de una muñequita grande hay una un poquito más chica y dentro de 00:09:45.000 --> 00:09:49.000 esta otra Más chica y otra más chica y otra más chica, bien, pues han 00:09:49.000 --> 00:09:53.000 utilizado ese esa definición por un motivo muy importante que vamos a 00:09:53.000 --> 00:09:57.000 explicar en este Programa a continuación. 00:09:59.000 --> 00:10:03.000 Entonces, ¿qué es este Matrioska Diffusion Model que Apple ha presentado 00:10:03.000 --> 00:10:07.000 y que En los resultados que hay en el paper es absolutamente espectacular, 00:10:07.000 --> 00:10:11.000 espectacular, porque genera una calidad de imagen que, Digamos, muchas de 00:10:11.000 --> 00:10:15.000 ellas parecen fotografías, una calidad que, según dice Apple, gracias a 00:10:15.000 --> 00:10:19.000 una serie de cambios en cómo funcionan los modelos de difusión Y cómo 00:10:19.000 --> 00:10:23.000 se entrenan, han conseguido ir un paso más allá de lo que hasta ahora se 00:10:23.000 --> 00:10:27.000 utiliza, de las de lo Lo que hasta ahora es la forma de que funcionen los 00:10:27.000 --> 00:10:35.000 modelos de difusión. 00:10:36.000 --> 00:10:39.000 Primer paso, ¿qué es un modelo de difusión? 00:10:40.000 --> 00:10:47.000 Bien, Vamos a intentar explicarlo de la manera más clara y no ser excesivamente técnicos, ¿vale? 00:10:47.000 --> 00:10:51.000 Por lo que, En fin, a lo mejor, a la hora de explicarlo, no somos 00:10:51.000 --> 00:10:55.000 absolutamente precisos de manera científica, pero no es ese El 00:10:55.000 --> 00:11:01.000 propósito, el propósito es que ustedes lo entiendan, ese es el propósito. 00:11:01.000 --> 00:11:07.000 Bien, un modelo de difusión sería algo parecido A la forma en la que el 00:11:07.000 --> 00:11:14.000 ser humano tiene de aprender a dibujar o aprender a representar cosas de la nada. 00:11:14.000 --> 00:11:16.000 ¿Qué significa esto? 00:11:16.000 --> 00:11:21.000 Estoy convencido que muchos de ustedes saben lo que es un ruido gaussiano. 00:11:22.000 --> 00:11:30.000 Cuando yo tengo Una imagen y le aplico un filtro de ruido gaussiano, lo que hago es desenfocarla, ¿vale? 00:11:30.000 --> 00:11:34.000 Entonces, Cuanto más ruido gaussiano le voy aplicando a la imagen, más 00:11:34.000 --> 00:11:38.000 desenfocada se ve, con más, Pues eso, como como si estuviera mal enfocado 00:11:38.000 --> 00:11:42.000 un objetivo, ¿de acuerdo? 00:11:42.000 --> 00:11:46.000 Se ve cada vez más y más y más y más hasta que llega un momento cuando 00:11:46.000 --> 00:11:50.000 le aplicas Montón de ruido gaussiano en el que no eres capaz de 00:11:50.000 --> 00:11:54.000 distinguir qué es lo que hay ahí, casi como cuando te llega una imagen 00:11:54.000 --> 00:11:58.000 Al Apple Watch enviada por WhatsApp, ¿vale? 00:11:58.000 --> 00:11:59.000 Que aquello no sabes qué es. 00:11:59.000 --> 00:12:02.000 Bien, pues algo parecido, ¿de acuerdo? 00:12:02.000 --> 00:12:07.000 Por lo tanto, sabemos lo que es el ruido gaussiano o el filtro gaussiano, como queramos llamarlo, ¿vale? 00:12:07.000 --> 00:12:12.000 El gaussian blur, que es, Insisto, aplicar un ruido a la imagen para crear 00:12:12.000 --> 00:12:18.000 un nivel más alto de, lo que podemos llamar, entre muchas comillas, desenfoque. 00:12:19.000 --> 00:12:30.000 Pues bien, un modelo de difusión lo que hace es el proceso contrario a este aplicar ruido gaussiano A una imagen. 00:12:30.000 --> 00:12:35.000 Lo que hace es coger una imagen de un tamaño determinado, que es su salida 00:12:35.000 --> 00:12:40.000 final, y Provocar crear una imagen completamente aleatoria de ruido 00:12:40.000 --> 00:12:45.000 gaussiano al máximo nivel, Y lo que va haciendo es en sucesivos pasos 00:12:45.000 --> 00:12:50.000 aclarando, quitando ese ruido gaussiano, Intentando buscar el parecido con 00:12:50.000 --> 00:12:58.000 componentes que él ha aprendido cómo tienen que ser dibujados. 00:12:59.000 --> 00:13:05.000 Y entonces dirán ustedes, bueno, ¿pero cómo un modelo de difusión puede ser capaz de aprender cómo se dibuja algo? 00:13:06.000 --> 00:13:11.000 Pues porque en su entrenamiento lo que ha hecho ha sido coger Una imagen, y 00:13:11.000 --> 00:13:16.000 lo que ha hecho ha sido identificar no solo todos los elementos que hay en esa imagen. 00:13:16.000 --> 00:13:21.000 Si Si yo tengo una imagen de un atardecer con una imagen en la playa que se 00:13:21.000 --> 00:13:26.000 ve un faro en el fondo, un barquito, una gaviota, el sol, Esa imagen, con 00:13:26.000 --> 00:13:31.000 un estilo, por ejemplo, pictórico, no una imagen fotográfica, lo que se 00:13:31.000 --> 00:13:36.000 hace es que se aplica un algoritmo llamado de De Unet, ¿vale? 00:13:36.000 --> 00:13:40.000 Que es un algoritmo que lo que hace es coger la imagen y reducirla en 00:13:40.000 --> 00:13:44.000 tamaño, De acuerdo, coge una imagen grande, en alta resolución, y la va 00:13:44.000 --> 00:13:48.000 reduciendo en tamaño. 00:13:48.000 --> 00:13:56.000 Cada vez que la reduce en tamaño, lo que hace es Comprobar cómo ha cambiado aquellos elementos que él ha reconocido. 00:13:56.000 --> 00:14:01.000 Porque de esa manera es como el sistema aprende a distinguir los distintos 00:14:01.000 --> 00:14:06.000 Los elementos que aparecen en una imagen y, sobre todo, cómo se fusionan 00:14:06.000 --> 00:14:11.000 o cómo se interrelacionan los unos con los otros, De forma que al 00:14:11.000 --> 00:14:16.000 conseguir que una imagen a una alta resolución se vaya reduciendo, el 00:14:16.000 --> 00:14:21.000 sistema va aprendiendo cómo esa reducción Se, digamos, influye, ¿no? 00:14:21.000 --> 00:14:25.000 En cómo la imagen está representada para ir entendiendo cada una de las 00:14:25.000 --> 00:14:29.000 partes de la misma, Cómo es el barco y cómo se fusiona con el mar, cómo 00:14:29.000 --> 00:14:33.000 es el faro, de qué manera aparece, cómo se fusiona con la tierra, Cómo 00:14:33.000 --> 00:14:37.000 es la iluminación que tiene la propia escena, los colores que está 00:14:37.000 --> 00:14:41.000 utilizando la escena, reconoce los patrones que forman El mar, el faro, la 00:14:41.000 --> 00:14:45.000 gaviota, etcétera. 00:14:45.000 --> 00:14:49.000 Hace una disección completa y va viendo cómo, al ir reduciendo las 00:14:49.000 --> 00:14:53.000 imágenes de tamaño, Puede ir viendo cómo los distintos elementos se van 00:14:53.000 --> 00:14:58.000 mezclando y eso le ayuda a aprender a cómo la imagen es. 00:14:58.000 --> 00:15:02.000 Él va aprendiendo cómo es cada paso de esa reducción de la imagen, ¿vale? 00:15:02.000 --> 00:15:06.000 De una resolución alta hacia baja, baja, baja, baja, Y cuando ya tiene una 00:15:06.000 --> 00:15:10.000 imagen muy pequeñita que, prácticamente, no sé, distinguen los 00:15:10.000 --> 00:15:14.000 distintos elementos que hay en esa imagen, Con lo que él ha aprendido de 00:15:14.000 --> 00:15:18.000 cómo se reduce esa imagen, intenta restaurarla Para volverla a la imagen 00:15:18.000 --> 00:15:22.000 original, para entender, para poder comprobar que aquello que aprendió, 00:15:22.000 --> 00:15:31.000 que era un barco, un faro, etcétera, Puede volver a dibujarlo, ¿ok? 00:15:31.000 --> 00:15:35.000 De esa manera es como él aprende los distintos elementos que hay en la imagen. 00:15:36.000 --> 00:15:42.000 Cuando ya tiene hecha esa fase, lo que hace es aplicarle el filtro gaussiano, le aplica el ruido. 00:15:42.000 --> 00:15:45.000 Aprende cómo ha pasado la imagen nítida Al ruido gaussiano, al primer 00:15:45.000 --> 00:15:48.000 nivel de ruido gaussiano, aprende cómo de una imagen nítida ha pasado a 00:15:48.000 --> 00:15:51.000 la imagen desenfocada de primer nivel Y vuelve a aplicar otra vez la red 00:15:51.000 --> 00:15:54.000 Unet para volver a aprender los distintos elementos y cómo han cambiado 00:15:54.000 --> 00:16:01.000 en ese proceso. 00:16:02.000 --> 00:16:05.000 Mezclando los dos entrenamientos, haciendo que cada imagen se vaya 00:16:05.000 --> 00:16:08.000 reduciendo en tamaño, se vaya volviendo a restaurar, Él la vuelve a 00:16:08.000 --> 00:16:11.000 recrear de una manera completa cuando la vuelve a hacer grande, y haciendo 00:16:11.000 --> 00:16:14.000 cada paso más desenfocado, más desenfocado, más desenfocado, Él 00:16:14.000 --> 00:16:19.000 aprende dos cosas. 00:16:20.000 --> 00:16:25.000 Primero, cómo es cada elemento que ha reconocido en la imagen, y segundo, 00:16:25.000 --> 00:16:30.000 cómo, desde ruido, Puede obtener una imagen que no tenga ruido, porque va 00:16:30.000 --> 00:16:35.000 aprendiendo y entrenando cómo una imagen sin ruido Llega un momento en el 00:16:35.000 --> 00:16:40.000 que es tiene tanto ruido que al final, pues, no es reconocible, ¿ok? 00:16:40.000 --> 00:16:44.000 Cuando ya tienes entrenamiento hecho, que estés El entrenamiento que tiene 00:16:44.000 --> 00:16:48.000 para lo que es este modelo de difusión, cuando yo le pido al sistema, 00:16:48.000 --> 00:16:52.000 dibújame una imagen que aparezca una gaviota en el fondo con Una playa 00:16:52.000 --> 00:16:56.000 tal, un faro, no sé qué, y le describo una imagen que él ya entendió, 00:16:56.000 --> 00:17:00.000 o incluso una imagen donde de pronto le digamos que aparezca, Pues no lo 00:17:00.000 --> 00:17:04.000 sé, un delfín, cosa que no estaba en esa imagen de manera original, pero 00:17:04.000 --> 00:17:08.000 que él también ha aprendido, porque Todas las imágenes que han servido 00:17:08.000 --> 00:17:12.000 para entrenarse son millones y millones y millones, todas han tenido un 00:17:12.000 --> 00:17:16.000 etiquetado correcto Que les ha dicho qué es cada cosa de las que hay en 00:17:16.000 --> 00:17:21.000 la imagen, ¿de acuerdo? 00:17:21.000 --> 00:17:24.000 Bien porque alguien los ha etiquetado, bien porque el propio sistema ha 00:17:24.000 --> 00:17:27.000 usado un Modelo de entrenamiento por etiquetado de imágenes que ha ido 00:17:27.000 --> 00:17:32.000 reconociendo por deep learning qué es lo que hay en cada elemento. 00:17:32.000 --> 00:17:35.000 Perfecto, entonces, A partir de ahí, ¿qué es lo que sucede? 00:17:36.000 --> 00:17:40.000 Que cuando yo le pido que me dibujo una imagen, que a lo mejor tiene cosas 00:17:40.000 --> 00:17:44.000 que la imagen original no tenía, él genera un lienzo Con ruido aleatorio 00:17:44.000 --> 00:17:48.000 gaussiano y, gracias al entrenamiento que ha tenido, lo que hace es 00:17:48.000 --> 00:17:52.000 intentar reconstruir Una imagen que tenga todos los detalles que aprendió 00:17:52.000 --> 00:17:56.000 con la red UNED haciendo que sea grande y pequeño, Para luego también ir 00:17:56.000 --> 00:18:00.000 aclarando esa imagen cada vez más, cada vez más, cada vez más, y con la 00:18:00.000 --> 00:18:04.000 unión de Los dos procesos lo que hace es generar una imagen nueva que, 00:18:04.000 --> 00:18:08.000 como ha aprendido a cómo integrar distintos elementos o cómo se integran 00:18:08.000 --> 00:18:12.000 distintos elementos Dentro de una misma imagen, pues hace que pueda 00:18:12.000 --> 00:18:22.000 hacerlo, ¿vale? 00:18:22.000 --> 00:18:31.000 Si yo le pido, por ejemplo, que me dibuje un Koala montando en moto, Él me lo pone y él entendió cómo era un Koala y cómo era una moto. 00:18:31.000 --> 00:18:35.000 ¿Por qué es capaz de hacerme una imagen que mezcle los dos conceptos? 00:18:35.000 --> 00:18:39.000 Porque él aprendió cómo es una persona en una moto porque la vio en una 00:18:39.000 --> 00:18:43.000 imagen, y por lo tanto, lo único que ha hecho ha sido Aprender cómo 00:18:43.000 --> 00:18:47.000 sustituir a la persona por un Koala. 00:18:47.000 --> 00:18:50.000 Koala a partir de lo que él entendió que era un Koala en cada una de sus partes. 00:18:50.000 --> 00:18:54.000 Por eso, en muchas ocasiones, cuando las partes, por ejemplo, de las manos 00:18:54.000 --> 00:18:58.000 no se entrenan correctamente o no se etiquetan correctamente, por eso nos 00:18:58.000 --> 00:19:02.000 salen esas manos raras con un montón Dedos y hacen cosas extrañas, ¿vale? 00:19:02.000 --> 00:19:06.000 Esto, insisto, en esencia es cómo funciona el entrenamiento y la 00:19:06.000 --> 00:19:10.000 generación De un modelo de difusión, como el que puede ser Stable 00:19:10.000 --> 00:19:14.000 Diffusion o Midjourney, Dalí, etcétera, ¿vale? 00:19:14.000 --> 00:19:18.000 Que cada uno de ellos Utiliza ciertas modificaciones de lo que es un modelo 00:19:18.000 --> 00:19:22.000 de difusión para hacer lo que es su trabajo, pero si yo, por ejemplo, 00:19:22.000 --> 00:19:26.000 trabajo Hoy he utilizado Midjourney, veré que cuando le pido una imagen 00:19:26.000 --> 00:19:30.000 parte de una imagen completamente desenfocada, y mientras me va dando el 00:19:30.000 --> 00:19:34.000 porcentaje Vemos como la imagen se va aclarando, por lo tanto, es un 00:19:34.000 --> 00:19:38.000 modelo de difusión, que luego por detrás también utiliza otras Formas 00:19:38.000 --> 00:19:42.000 de Transformers y tal para optimizar el funcionamiento, etcétera, eso ya 00:19:42.000 --> 00:19:47.000 es irse a cosas más complejas. 00:19:47.000 --> 00:19:50.000 Pues bien, Apple lo que ha hecho es esto, es crear su propio modelo de 00:19:50.000 --> 00:19:53.000 difusión, pero Apple ha ido un poco más allá, ha mejorado el proceso 00:19:53.000 --> 00:19:58.000 Haciendo que esto sea aún mejor. 00:19:58.000 --> 00:19:59.000 ¿En qué? 00:19:59.000 --> 00:20:09.000 Pues bien, uno de los cambios que ha hecho es implementar una red UNED De forma embebida, una necested unet, ¿vale? 00:20:09.000 --> 00:20:13.000 Es decir, una red unet, donde dentro de ese unet que hace toda la imagen, 00:20:13.000 --> 00:20:17.000 En vez de hacer un UNED de la imagen completa e ir reduciéndola para ir 00:20:17.000 --> 00:20:21.000 captando distintos elementos, lo que hace es Realizar una UNED dentro de 00:20:21.000 --> 00:20:25.000 una UNED, ¿vale? 00:20:25.000 --> 00:20:30.000 Lo que hace es coger las imágenes, cortarlas en trozos Y hacerle el UNED a 00:20:30.000 --> 00:20:35.000 cada trozo, para así poder aprender de una manera mucho más precisa 00:20:35.000 --> 00:20:40.000 cuáles son los cambios que hay, cuál es la, Más que los cambios 00:20:40.000 --> 00:20:45.000 entender mejor cómo los distintos componentes funcionan y se unen dentro 00:20:45.000 --> 00:20:50.000 de fotografías, imágenes, Dibujos, etcétera, ¿de acuerdo? 00:20:50.000 --> 00:20:54.000 Por lo tanto, en vez de hacer una sola reducción de resolución para 00:20:54.000 --> 00:20:58.000 detectar todos los detalles de una imagen, Lo que hace es un montón de 00:20:58.000 --> 00:21:02.000 pequeñas reducciones dentro de cada elemento detectado para aprender con 00:21:02.000 --> 00:21:06.000 mucha más precisión lo que es cada elemento, Para ser capaz de 00:21:06.000 --> 00:21:10.000 reproducirlo cuando se le pida cierto elemento de una manera mucho mejor y 00:21:10.000 --> 00:21:15.000 con una con un mayor detalle, ¿de acuerdo? 00:21:15.000 --> 00:21:19.000 A esto se le mezcla, también, un proceso de, a la hora de estar trabajando 00:21:19.000 --> 00:21:23.000 con los modelos de difusión, En el que, normalmente, los modelos de 00:21:23.000 --> 00:21:27.000 difusión se generan sobre una resolución fija, es decir, yo tengo 00:21:27.000 --> 00:21:31.000 imágenes de un tamaño que son las que yo quiero obtener, Y en los 00:21:31.000 --> 00:21:37.000 entrenamientos voy haciendo que esas imágenes se vayan difuminando, ¿vale? 00:21:37.000 --> 00:21:41.000 Desde la imagen real la voy difuminando con ruido gaussiano hasta que ya es 00:21:41.000 --> 00:21:45.000 posible y luego intento, el entrenamiento intento volver a la imagen 00:21:45.000 --> 00:21:49.000 original para ver cómo soy capaz de Difuminar y y desdifuminar, si se 00:21:49.000 --> 00:21:53.000 puede decir así. 00:21:53.000 --> 00:21:56.000 Perfecto, pues bien, ¿qué es lo que sucede? 00:21:57.000 --> 00:22:01.000 Sucede que cuando Apple hace esto, no lo hace solo en la resolución que 00:22:01.000 --> 00:22:05.000 quieren conseguir esos modelos de difusión, que Que normalmente 00:22:05.000 --> 00:22:10.000 últimamente es de mil veinticuatro por mil veinticuatro. 00:22:10.000 --> 00:22:14.000 No, lo que hace Apple es generar un modelo de difusión a varios niveles, 00:22:14.000 --> 00:22:18.000 Por lo que los entrenamientos no solo se hacen a mil veinticuatro, se 00:22:18.000 --> 00:22:22.000 hacen también a quinientos doce, a doscientos cincuenta y seis, a ciento 00:22:22.000 --> 00:22:27.000 veintiocho, Se hacen en distintas resoluciones. 00:22:28.000 --> 00:22:32.000 Cuando yo hago el mismo entrenamiento de difusión, es decir, es como si 00:22:32.000 --> 00:22:36.000 él mezclara El proceso de UNED, que va reduciendo la imagen completa y le 00:22:36.000 --> 00:22:40.000 hace un entrenamiento de difusión A cada imagen, en cada una de esas 00:22:40.000 --> 00:22:45.000 resoluciones, ¿qué va reduciendo? 00:22:45.000 --> 00:22:52.000 Por lo que intenta reconstruir las imágenes, No solo en la máxima resolución, sino también en las resoluciones inferiores. 00:22:53.000 --> 00:22:57.000 Esto al modelo le ayuda a entender mucho mejor cuál es la Información que 00:22:57.000 --> 00:23:01.000 hay ahí y, sobre todo, le ayuda a que el resultado final en la alta 00:23:01.000 --> 00:23:06.000 resolución sea mucho más De de mucha más calidad, ¿de acuerdo? 00:23:06.000 --> 00:23:10.000 Porque va a ser mucho más realista, ¿vale? 00:23:10.000 --> 00:23:13.000 Haciendo este proceso, Apple se ha dado cuenta De que los resultados son 00:23:13.000 --> 00:23:16.000 mucho mejores, y por eso también el modelo de Matrioska Division Models 00:23:16.000 --> 00:23:19.000 no solo es capaz de hacer generación de imágenes, También es capaz de 00:23:19.000 --> 00:23:22.000 generar vídeo, pequeños vídeos cortos, en el que podemos tener, pues, 00:23:22.000 --> 00:23:25.000 una pequeña animación tipo GIF, Donde podamos, pues eso, tener una 00:23:25.000 --> 00:23:33.000 imagen en movimiento, ¿de acuerdo? 00:23:33.000 --> 00:23:35.000 Por lo tanto, ese es el nivel que tiene. 00:23:35.000 --> 00:23:39.000 Por eso es el Matrioska Diffusion Model, Porque está utilizando no solo la 00:23:39.000 --> 00:23:43.000 aproximación de una imagen grande, sino muchas imágenes a distinta 00:23:43.000 --> 00:23:49.000 resolución para conseguir ese Objetivo. 00:23:49.000 --> 00:23:52.000 Por eso es como las muñecas Matrioska, porque de una grande tiene dentro 00:23:52.000 --> 00:23:55.000 otra y otra y otra y otra porque está utilizando Distintas imágenes a 00:23:55.000 --> 00:23:58.000 distinta resolución, entrenando la red con distintas imágenes, con la 00:23:58.000 --> 00:24:01.000 misma imagen, a distintas resoluciones, para conseguir mejor calidad, por 00:24:01.000 --> 00:24:04.000 eso lo de la matriosca. 00:24:04.000 --> 00:24:08.000 Y, por último, otra mejora que ha hecho Por eso lo de la matriosca. 00:24:08.000 --> 00:24:13.000 Y por último, otra mejora que ha hecho Apple es incluir todo este 00:24:13.000 --> 00:24:18.000 procesado en un único modelo end to end, es decir, Un único modelo al 00:24:18.000 --> 00:24:23.000 que yo le pido la entrada y el mismo modelo es el que genera la salida. 00:24:23.000 --> 00:24:28.000 Esto quiere decir que no tiene modelos secundarios que trabajan con esto. 00:24:28.000 --> 00:24:31.000 Por ejemplo, en el caso de Dalí podemos tener un modelo de GPT, que es el 00:24:31.000 --> 00:24:34.000 que traduce la parte de texto y empieza a buscar los distintos elementos a 00:24:34.000 --> 00:24:37.000 partir del promp para poder generar las imágenes, y, a lo mejor, está 00:24:37.000 --> 00:24:40.000 mezclando distintos tipos de redes sociales, Crear las imágenes y, a lo 00:24:40.000 --> 00:24:43.000 mejor, está mezclando distintos tipos de redes neuronales para conseguir 00:24:43.000 --> 00:24:48.000 el resultado final. 00:24:48.000 --> 00:24:53.000 Apple ha conseguido, en una optimización, Que la misma red sea capaz de 00:24:53.000 --> 00:24:59.000 procesar todo, desde la entrada de texto hasta la salida de una imagen o de un vídeo. 00:24:59.000 --> 00:25:00.000 ¿Esto qué es lo que proporciona? 00:25:01.000 --> 00:25:06.000 Pues la capacidad de que el modelo sea más rápido, sea más eficiente, Y 00:25:06.000 --> 00:25:12.000 sus resultados sean mejores que lo que se ha hecho hasta ahora, ¿de acuerdo? 00:25:12.000 --> 00:25:15.000 Toda esta información está, como digo, en Arbix punto ORG, y de hecho, 00:25:15.000 --> 00:25:18.000 pues en las notas del podcast les dejaré el enlace para que puedan leer 00:25:18.000 --> 00:25:23.000 este este paper, ¿vale? 00:25:23.000 --> 00:25:26.000 Y bueno, ya Ya les advierto que es un paper muy complejo, ¿vale? 00:25:26.000 --> 00:25:31.000 Pero ahí también tienen una serie de resultados que la verdad que son bastante interesantes. 00:25:32.000 --> 00:25:42.000 Por lo tanto, resumiendo, Apple ha creado estos modelos de difusión para Integrarlos dentro de sus sistemas operativos. 00:25:42.000 --> 00:25:46.000 Modelos que Apple podría cargarlos completamente en los sistemas Sin 00:25:46.000 --> 00:25:50.000 necesidad de tirar de nube, cosa que es lo que a hoy día lo que hoy día 00:25:50.000 --> 00:25:55.000 hace Dalí, Midjourney, etcétera. 00:25:56.000 --> 00:26:03.000 Ahora mismo, solo modelos como Stable Diffusion, por ejemplo, que el modelo viene a ocupar unos cinco gigas, más o menos, el modelo grande, ¿vale? 00:26:03.000 --> 00:26:06.000 El modelo Completo de Stable Diffusion con toda la calidad, de Stable 00:26:06.000 --> 00:26:09.000 Diffusion dos punto uno, que es el último que estuve mirando en cuanto a 00:26:09.000 --> 00:26:12.000 Lo que era su tamaño, no sé cuánto ocupa ahora mismo el XL, pero el dos 00:26:12.000 --> 00:26:15.000 punto uno de Stable Diffusion, que es otro modelo de generación de 00:26:15.000 --> 00:26:18.000 imágenes a través de modelos de difusión, Viene a ocupar unos cinco 00:26:18.000 --> 00:26:25.000 gigas y pico, más o menos, el modelo entrenado. 00:26:26.000 --> 00:26:35.000 Cinco gigas y pico en un móvil, pues hombre, Ya es algo que me está quitando mucho espacio, pero en un ordenador tampoco es algo que sea muy grave. 00:26:36.000 --> 00:26:40.000 No obstante, Apple lo que va a intentar es poner ciertos modelos en local 00:26:40.000 --> 00:26:44.000 dentro de nuestro ordenador, por lo que Vamos a poder utilizarlo con total 00:26:44.000 --> 00:26:48.000 privacidad, y ninguna nube ni ningún ordenador, porque recordemos aquello 00:26:48.000 --> 00:26:52.000 que suelen decir de que la nube es el ordenador de otro, Por lo que, en 00:26:52.000 --> 00:26:56.000 vez de ejecutar esto en la nube de alguien, lo que hacemos es ejecutarlo 00:26:56.000 --> 00:27:00.000 en nuestro ordenador aprovechando los motores neurales que tienen los El 00:27:00.000 --> 00:27:08.000 Silicon, iOS, los iPhones, iPad, etcétera. 00:27:08.000 --> 00:27:15.000 Por lo tanto, también a partir de cuantización de modelos, que es un proceso a partir del cual, Como el MP tres, ¿vale? 00:27:15.000 --> 00:27:17.000 Un MP tres, ¿qué es lo que hace? 00:27:17.000 --> 00:27:20.000 Pues elimina partes del sonido que, teóricamente, el oído humano no 00:27:20.000 --> 00:27:23.000 escucha, Por lo tanto, reduce la cantidad de datos necesarios y hace que 00:27:23.000 --> 00:27:28.000 el sonido ocupe menos, ¿vale? 00:27:28.000 --> 00:27:33.000 Pierde información, pero El resultado, digamos que permanece, más o 00:27:33.000 --> 00:27:38.000 menos, proporcionando una calidad que, entre comillas, No se no se ve como 00:27:38.000 --> 00:27:43.000 algo que realmente afecte al resultado final, a pesar de la pérdida de datos. 00:27:43.000 --> 00:27:46.000 Pues bien, esto se puede hacer también con los modelos entrenados. 00:27:47.000 --> 00:27:51.000 Apple podría hacer un modelo entrenado de este modelo generativo de matriz 00:27:51.000 --> 00:27:55.000 kdifusion model, que a lo mejor ocupara ochocientos megas, novecientos, un giga. 00:27:56.000 --> 00:28:00.000 Si yo lo quiero incluir en mi iPad o en mi Mac funcionaría perfectamente y 00:28:00.000 --> 00:28:04.000 eso permitiría, por ejemplo, que yo pudiera entrar en Preview y decirle 00:28:04.000 --> 00:28:08.000 que me haga una imagen y me la haga, o por ejemplo, usar Spotlight, el 00:28:08.000 --> 00:28:12.000 buscador del sistema que es donde va a estar El futuro Siri basado en un 00:28:12.000 --> 00:28:16.000 modelo de lenguaje como ChatGPT, y podremos hablar con ese futuro Siri 00:28:16.000 --> 00:28:20.000 Directamente ahí, pedirle cosas, y sabrá todo de nosotros, porque podrá 00:28:20.000 --> 00:28:27.000 entrenarse con toda la información que tenemos de archivos, ¿vale? 00:28:27.000 --> 00:28:31.000 Y además, pues ahí podremos pedirle imágenes, etcétera, o por ejemplo, 00:28:31.000 --> 00:28:35.000 abrir un pages o un key note y decirle que nos genere imágenes Y que nos 00:28:35.000 --> 00:28:39.000 rellene incluso diapositivas o nos haga una presentación completa como, 00:28:39.000 --> 00:28:46.000 en fin, como ya hace Lo que es tres seis cinco Copilot de Microsoft, ¿vale? 00:28:46.000 --> 00:28:47.000 No me estoy inventando nada. 00:28:47.000 --> 00:28:51.000 Esto, vean ustedes la presentación de tres seis cinco Copilot y Ya lo 00:28:51.000 --> 00:28:55.000 está haciendo el modelo actual, por lo tanto, esto Apple, obviamente, 00:28:55.000 --> 00:28:59.000 también lo va a hacer, y una de las herramientas principales para poder 00:28:59.000 --> 00:29:03.000 hacerlo va a ser Este Matryoska Diffusion Model, que es el primero de los 00:29:03.000 --> 00:29:07.000 pasos de la inteligencia artificial generativa que Apple nos muestra A 00:29:07.000 --> 00:29:14.000 todos los usuarios para que veamos lo que está por llegar, y poco más. 00:29:27.000 --> 00:29:30.000 Y poco más yo les he avisado, le he dicho que iba a ser intensito. 00:29:31.000 --> 00:29:34.000 He intentado explicarlo de la manera más clara posible. 00:29:34.000 --> 00:29:37.000 Obviamente, no es cien por cien, o sea, si nos metemos ya a capa loca 00:29:37.000 --> 00:29:40.000 científica, pues, obviamente, Habrá detalles que no he contado, pero he 00:29:40.000 --> 00:29:43.000 intentado hacer el símil más fácil de entender para que puedan 00:29:43.000 --> 00:29:49.000 comprenderlo, ¿vale? 00:29:49.000 --> 00:29:55.000 Porque todo Todo lo que tiene que ver con la inteligencia artificial, sobre todo la generativa, es muy complejo, obviamente. 00:29:56.000 --> 00:29:58.000 Así que, bueno, ese sería un poco el tema. 00:29:59.000 --> 00:30:05.000 Lógicamente, todo esto, pues, como hemos comentado, es decir, yo todo esto, ¿por qué me interesa? 00:30:05.000 --> 00:30:06.000 ¿Por qué me gusta? 00:30:06.000 --> 00:30:10.000 Pues porque ya está dentro de nuestras formaciones, ya forma parte de mi 00:30:10.000 --> 00:30:14.000 trabajo, porque el mensaje que va a unir todas las formaciones A partir de 00:30:14.000 --> 00:30:18.000 ahora, en Apple Codeen Academy es la inteligencia artificial y la IA 00:30:18.000 --> 00:30:22.000 generativa, porque como desarrolladores, si no incorporamos la IA 00:30:22.000 --> 00:30:26.000 generativa y todas sus Posibilidades de texto, vídeo, imagen, etcétera, 00:30:26.000 --> 00:30:33.000 sonidos y tal, pues, en fin, nos vamos a quedar atrás. 00:30:34.000 --> 00:30:35.000 Lo digo en todas mis charlas, ¿vale? 00:30:35.000 --> 00:30:40.000 Como una que di el otro día en el SIMO de educación con la gente, con los 00:30:40.000 --> 00:30:45.000 amigos de Roser y Mac que saludo desde aquí, Pues, lo dije muy 00:30:45.000 --> 00:30:50.000 claramente, la IA no nos va a quitar el trabajo, nos lo va a quitar la 00:30:50.000 --> 00:30:55.000 persona Que use la IA para ser mejor profesional que nosotros. 00:30:55.000 --> 00:30:57.000 Así que ese es el tema. 00:30:57.000 --> 00:31:00.000 Si les ha gustado el programa, por favor, compártanlo, Como en redes 00:31:00.000 --> 00:31:03.000 sociales, denos un like, suscríbanse a nuestro canal que siempre nos 00:31:03.000 --> 00:31:07.000 ayuda, y nos oímos pronto si dios quiere. 00:31:08.000 --> 00:31:12.000 Hasta entonces, Un saludo, e Got Apple Code.