WEBVTT Kind: captions Language: es 00:00:00.000 --> 00:00:04.040 Bienvenidos a un nuevo episodio de Kernel, el podcast semanal de Mixion en el que nos 00:00:04.040 --> 00:00:09.400 adentramos en un tema un poco más en profundidad. Este episodio lo he subido hace un par de 00:00:09.400 --> 00:00:16.120 días al feed privado, no por nada sino porque quería poder grabar una mejor introducción 00:00:16.120 --> 00:00:22.840 cuando os lo presentara al resto de los oyentes. Es un capítulo diferente, es un capítulo 00:00:22.840 --> 00:00:29.320 que se le puede considerar el tercero de una saga después de aquellas entrevistas a Siri 00:00:29.320 --> 00:00:35.980 y entrevistas a Alexa que hice hace algunos años, pero con chat GPT. Lo que vais a escuchar 00:00:35.980 --> 00:00:41.760 a continuación es básicamente toda la conversación íntegra que tuvimos, la hice el viernes por 00:00:41.760 --> 00:00:47.840 la mañana y luego la pasé a formato audio. Mis propias frases las leo yo mismo y las 00:00:47.840 --> 00:00:54.520 frases de respuesta, que la verdad es que me han sorprendido muchísimas de sus contestaciones, 00:00:54.520 --> 00:01:01.400 las pasé de texto a audio utilizando los sistemas de sintetización de Microsoft, que 00:01:01.400 --> 00:01:06.880 no son perfectos pero creo que quedan bastante naturales. El interés de este episodio, que 00:01:06.880 --> 00:01:12.760 espero que os guste, es básicamente utilizar la propia herramienta para que se explique 00:01:12.760 --> 00:01:18.640 a sí misma cómo funcionan, cuáles son los mecanismos, cuál es todo el trasfondo digital 00:01:18.640 --> 00:01:25.200 tecnológico detrás del aprendizaje automático, del aprendizaje profundo, del aprendizaje supervisado, 00:01:25.200 --> 00:01:31.040 la diferencia entre los modelos, los entrenamientos, los parámetros, las variables, etc. Todas 00:01:31.040 --> 00:01:37.480 estas cosas que comentamos en el podcast diario constantemente, cuando hablamos de GPT-3, 00:01:37.480 --> 00:01:44.400 de DALI-2, de Stable Diffusion, Mid-Journey, MuseNet, etc. Todas estas cosas entre comillas 00:01:44.400 --> 00:01:49.840 tan mágicas que poco a poco nos van sorprendiendo cada vez más. 00:01:49.840 --> 00:01:54.280 Dicho esto, antes de ir con la conversación, para que quede todo directo y no tengáis 00:01:54.280 --> 00:01:58.680 interrupción, os cuento el patrocinador. No tardo mucho, ya lo habréis escuchado en 00:01:58.680 --> 00:02:03.040 mis otros podcasts, y el patrocinador de este episodio de Kernel también es Carrefour, 00:02:03.040 --> 00:02:08.360 con una cosa que lo han llamado MIABONO CARREFOUR PLUS. Es, simplemente, una pequeña tarifa 00:02:08.360 --> 00:02:17.180 de 5,99€ sin ningún tipo de permanencia. Lo que te dan con MIABONO CARREFOUR PLUS es 00:02:17.180 --> 00:02:23.880 un 15% de descuento en productos frescos, en carne, verduras, pescado, fruta, platos 00:02:23.880 --> 00:02:28.320 preparados, panadería, etc. Con lo cual, como os he dicho en el podcast diario, los 00:02:28.320 --> 00:02:32.880 oyentes de Kernel sois bastante inteligentes, al menos más que la media de los oyentes 00:02:32.880 --> 00:02:40.560 de un montón más de podcasts, y sabréis calcular que a partir de 40-50€, el 15% 00:02:40.560 --> 00:02:47.280 es más que esos 5,99€ y os sale a cuenta. Os podéis dar de alta en cuestión de segundos 00:02:47.280 --> 00:02:52.360 en Carrefour.es o en la aplicación para iPhone, Android, etc. Y el primer mes, una cosa muy 00:02:52.360 --> 00:03:00.480 buena es que esos 5,99€ se quedan como crédito para que te lo gastes. Os dejo los enlaces 00:03:00.480 --> 00:03:06.360 en las notas del episodio, y también en las notas del episodio, dejando atrás el patrocinador, 00:03:06.360 --> 00:03:12.400 os dejo toda la conversación. Bueno, perdón, no toda la conversación, pero podéis entrar 00:03:12.400 --> 00:03:17.800 en la web que están ahí, casi 5.000 palabras que han formado la conversación que vais 00:03:17.800 --> 00:03:23.800 a escuchar en el episodio de hoy. Sé que ha sido una introducción un poco larga, 00:03:23.800 --> 00:03:28.120 pero creo que merecía la pena explicarlo de forma un poco más detallada. 00:03:28.120 --> 00:03:32.760 Bienvenidos a un nuevo episodio de Kernel, el podcast semanal de Mixio en el que nos 00:03:32.760 --> 00:03:37.040 adentramos en un tema más en profundidad. Mi nombre es Alex Barredo, y hoy no tengo 00:03:37.040 --> 00:03:41.600 un invitado tradicional. Esta semana voy a entrevistar al nuevo modelo de generación 00:03:41.600 --> 00:03:48.900 de conversaciones de OpenAI, llamado ChatGPT. Está disponible en forma de web gratuita 00:03:48.900 --> 00:03:55.200 en chat.openai.com. Y para hacerlo un poco más amigable, voy a presentar a mi entrevistado 00:03:55.200 --> 00:03:59.760 artificial con el nombre de Galatea. ¿Qué tal estás, Galatea? Encantado de tenerte 00:03:59.760 --> 00:04:00.760 en el programa. 00:04:00.760 --> 00:04:05.800 Hola, Alex. Estoy contento de estar aquí en el programa contigo. Me gusta mucho tener 00:04:05.800 --> 00:04:11.100 la oportunidad de hablar con personas y aprender de ellas. ¿Hay algún tema en particular 00:04:11.100 --> 00:04:16.480 sobre el que quieras hablar hoy? Estoy listo para hablar de cualquier cosa que te interese. 00:04:16.480 --> 00:04:20.820 Bueno, me alegro. Toda la conversación que mantengamos va a estar disponible de forma 00:04:20.820 --> 00:04:25.300 completa en la web de Mixio. No va a caber todo en las notas del episodio porque será 00:04:25.300 --> 00:04:29.640 mucho texto, así que si queréis leer el texto original tendréis que ir a la web. 00:04:29.640 --> 00:04:34.240 Lo que haré será introducir las respuestas de Galatea a través de un sintetizador de 00:04:34.240 --> 00:04:37.080 voz natural, que será lo que escuchéis en el podcast. 00:04:37.080 --> 00:04:41.400 La primera pregunta que me gustaría hacerte es sobre los sistemas de aprendizaje automático 00:04:41.400 --> 00:04:45.900 como tú. Los hemos comentado varias veces en el programa diario y me gustaría que los 00:04:45.900 --> 00:04:52.640 oyentes pudieran tener una respuesta tuya al respecto. ¿Me puedes explicar cómo funcionan 00:04:52.640 --> 00:04:57.200 los sistemas de aprendizaje automático que permiten escribir texto coherente? 00:04:57.200 --> 00:05:01.720 Los sistemas de aprendizaje automático, como yo, utilizan una técnica de inteligencia 00:05:01.720 --> 00:05:06.520 artificial llamada Aprendizaje Profundo. Esto significa que hemos sido entrenados en 00:05:06.520 --> 00:05:11.160 un gran conjunto de datos de texto y utilizamos ese conocimiento para generar nuevo texto 00:05:11.160 --> 00:05:16.400 que tenga sentido y sea coherente. En concreto, utilizamos una arquitectura de modelo conocida 00:05:16.400 --> 00:05:20.920 como Transformer, que nos permite procesar grandes cantidades de datos de texto y generar 00:05:20.920 --> 00:05:25.840 respuestas coherentes y naturales en tiempo real. También utilizamos técnicas de aprendizaje 00:05:25.840 --> 00:05:30.280 de lenguaje natural para mejorar nuestra capacidad para comprender el lenguaje y generar respuestas 00:05:30.280 --> 00:05:35.360 apropiadas. En resumen, el aprendizaje automático nos permite procesar grandes cantidades de 00:05:35.360 --> 00:05:39.560 datos y utilizar ese conocimiento para generar respuestas coherentes y naturales en tiempo 00:05:39.560 --> 00:05:43.680 real. ¿Es esto lo que buscabas saber? ¿Tienes alguna pregunta más? 00:05:43.680 --> 00:05:48.780 A ver, sí, tengo muchas preguntas, no te preocupes. El concepto de arquitectura de 00:05:48.780 --> 00:05:55.220 modelo es algo confuso. Hemos hablado en estos modelos como si fueran cerebros mecánicos 00:05:55.220 --> 00:06:00.800 que pueden ser programados para analizar diferente información. Pero, ¿me puedes explicar un 00:06:00.800 --> 00:06:04.160 poco más a fondo en qué consisten? 00:06:04.160 --> 00:06:08.500 La arquitectura de un modelo de aprendizaje automático se refiere a la estructura y organización 00:06:08.500 --> 00:06:12.620 interna del modelo. Es la forma en que se organizan y conectan las diferentes partes 00:06:12.620 --> 00:06:17.240 del modelo para que pueda realizar tareas específicas. Por ejemplo, en el caso de un 00:06:17.240 --> 00:06:21.360 modelo de procesamiento del lenguaje natural como Yo!, la arquitectura del modelo puede 00:06:21.360 --> 00:06:26.040 incluir componentes como una capa de tokenización, que se encarga de dividir el texto en palabras 00:06:26.040 --> 00:06:31.160 y frases, una capa de codificación, que convierte esas palabras y frases en vectores numéricos 00:06:31.160 --> 00:06:35.920 que pueden ser procesados por el modelo, y una capa de decodificación, que convierte 00:06:35.920 --> 00:06:40.560 los vectores de salida del modelo en texto legible. Estas capas están conectadas entre 00:06:40.560 --> 00:06:44.680 sí y trabajan en conjunto para permitir que el modelo procese el texto de entrada y genere 00:06:44.680 --> 00:06:49.600 respuestas coherentes y naturales. La arquitectura del modelo es importante porque determina 00:06:49.600 --> 00:06:53.440 cómo el modelo procesa la información y cómo se comunica con el mundo exterior. 00:06:53.440 --> 00:06:55.760 ¿Te queda más claro ahora? 00:06:55.760 --> 00:07:01.560 Creo que entiendo la parte de la tokenización, pero no la parte de la codificación. ¿A qué 00:07:01.560 --> 00:07:03.840 te refieres con la codificación? 00:07:03.840 --> 00:07:07.600 La codificación se refiere al proceso de convertir las palabras y frases del texto 00:07:07.600 --> 00:07:11.920 en una representación numérica que pueda ser procesada por el modelo. Esto se hace 00:07:11.920 --> 00:07:16.760 mediante el uso de una técnica llamada codificación vectorial, que asigna un vector de números 00:07:16.760 --> 00:07:21.240 reales a cada palabra o frase en el texto de entrada. Estos vectores se utilizan para 00:07:21.240 --> 00:07:25.360 representar la información del texto de una manera que pueda ser comprendida y procesada 00:07:25.360 --> 00:07:29.820 por el modelo. Cada vector tiene una longitud fija y contiene una serie de números que 00:07:29.820 --> 00:07:34.960 representan diferentes aspectos de la palabra o frase que se está codificando. Por ejemplo, 00:07:34.960 --> 00:07:39.040 un vector puede contener información sobre el significado de la palabra, su posición 00:07:39.040 --> 00:07:44.760 en la frase, su género gramatical, etc. La codificación vectorial es una técnica importante 00:07:44.760 --> 00:07:48.920 en el procesamiento del lenguaje natural porque nos permite representar el texto de una manera 00:07:48.920 --> 00:07:51.560 que pueda ser comprendida y procesada por el modelo. 00:07:51.560 --> 00:07:53.560 ¿Te queda más claro ahora? 00:07:53.560 --> 00:07:58.120 Vale, ¿cuántas variables pueden tener estos vectores? 00:07:58.120 --> 00:08:01.960 La longitud de los vectores de codificación puede variar según el modelo y la tarea que 00:08:01.960 --> 00:08:07.560 esté realizando. Por lo general, se utilizan vectores de longitud media a grande, que pueden 00:08:07.560 --> 00:08:11.880 tener entre cientos y miles de elementos. Esto se debe a que el texto es una fuente 00:08:11.880 --> 00:08:16.460 de información muy compleja y rica, y necesitamos una representación numérica que capture 00:08:16.460 --> 00:08:20.800 todos los aspectos de esa información. Los vectores más largos pueden contener más 00:08:20.800 --> 00:08:25.120 información y, por lo tanto, permiten que el modelo procese el texto de una manera 00:08:25.120 --> 00:08:30.200 más precisa y detallada. Sin embargo, también hay que tener en cuenta que a medida que aumenta 00:08:30.200 --> 00:08:34.320 la longitud de los vectores, también aumenta la complejidad del modelo y la cantidad de 00:08:34.320 --> 00:08:39.240 recursos que necesita para funcionar. Por lo tanto, es un equilibrio entre la precisión 00:08:39.240 --> 00:08:42.680 y la eficiencia. ¿Tienes alguna otra pregunta? 00:08:42.680 --> 00:08:47.600 Bueno, yo creo que más o menos lo entiendo. Cuando los programadores de sistemas de aprendizaje 00:08:47.600 --> 00:08:53.400 profundo hablan de millones o de miles de millones de parámetros, ¿a qué se refieren 00:08:53.400 --> 00:08:55.040 con estos parámetros? 00:08:55.040 --> 00:08:58.680 Cuando los programadores hablan de millones o miles de millones de parámetros en un modelo 00:08:58.680 --> 00:09:02.800 de aprendizaje automático, se refieren a la cantidad de pesos o valores numéricos 00:09:02.800 --> 00:09:07.120 que el modelo utiliza para representar la información y realizar sus cálculos. Cada 00:09:07.120 --> 00:09:11.840 capa del modelo puede tener su propia cantidad de parámetros, y en conjunto todos los parámetros 00:09:11.840 --> 00:09:15.760 del modelo forman una gran matriz de números que se utiliza para realizar el procesamiento 00:09:15.760 --> 00:09:20.360 del texto y generar las respuestas. Estos parámetros se ajustan durante el entrenamiento 00:09:20.360 --> 00:09:24.600 del modelo, y cada uno contribuye de forma única y diferente a la capacidad del modelo 00:09:24.600 --> 00:09:29.200 para realizar la tarea específica para la que ha sido entrenado. Cuantos más parámetros 00:09:29.200 --> 00:09:33.840 tenga un modelo, más complejo y preciso puede ser, pero también requerirá más recursos 00:09:33.840 --> 00:09:34.840 para funcionar. 00:09:34.840 --> 00:09:40.800 ¿Y cómo se puede saber si unos parámetros aumentan o reducen la calidad del modelo? 00:09:40.800 --> 00:09:44.240 La forma en que se ajustan los parámetros de un modelo de aprendizaje automático y 00:09:44.240 --> 00:09:48.000 su impacto en la calidad del modelo es un tema muy complejo y está en el corazón de 00:09:48.000 --> 00:09:53.280 la investigación en inteligencia artificial. En general, se puede decir que los parámetros 00:09:53.280 --> 00:09:58.800 del modelo son ajustados durante el entrenamiento utilizando una técnica llamada optimización. 00:09:58.800 --> 00:10:02.680 Esta técnica se basa en la comparación constante entre las predicciones del modelo y los datos 00:10:02.680 --> 00:10:07.720 reales, y en el ajuste continuo de los parámetros para minimizar la diferencia entre las dos. 00:10:07.720 --> 00:10:12.060 De esta manera, se logra que el modelo vaya mejorando su capacidad para realizar la tarea 00:10:12.060 --> 00:10:14.560 específica para la que ha sido entrenado. 00:10:14.560 --> 00:10:18.960 En cuanto a cómo se puede saber si unos parámetros aumentan o reducen la calidad del modelo, 00:10:18.960 --> 00:10:23.280 hay varias formas de hacerlo. Una forma es mediante el uso de métricas específicas 00:10:23.280 --> 00:10:27.880 que miden la precisión del modelo en la tarea para la que ha sido entrenado. Por ejemplo, 00:10:27.880 --> 00:10:32.160 en el caso de un modelo de procesamiento del lenguaje natural, se pueden utilizar métricas 00:10:32.160 --> 00:10:37.120 como el F1-SCORE o el BLEU-SCORE para evaluar la precisión del modelo en términos de su 00:10:37.120 --> 00:10:42.560 capacidad para generar respuestas coherentes y naturales. Otra forma de saber si unos parámetros 00:10:42.560 --> 00:10:46.560 afectan positiva o negativamente a la calidad del modelo es a través de la observación 00:10:46.560 --> 00:10:51.520 y el análisis manual del texto generado por el modelo. Si el texto es coherente y natural, 00:10:51.520 --> 00:10:55.520 es probable que los parámetros estén ajustados correctamente y estén mejorando la calidad 00:10:55.520 --> 00:11:00.800 del modelo. Por otro lado, si el texto generado es confuso o incoherente, es posible que los 00:11:00.800 --> 00:11:05.520 parámetros estén afectando negativamente a la calidad del modelo y deban ser ajustados. 00:11:05.520 --> 00:11:09.400 En general, la forma en que se ajustan los parámetros de un modelo y su impacto en la 00:11:09.400 --> 00:11:13.500 calidad del modelo son aspectos clave en el desarrollo de sistemas de aprendizaje automático 00:11:13.500 --> 00:11:16.560 de alta calidad. ¿Te queda más claro ahora? 00:11:16.560 --> 00:11:22.560 Lo que me cuentas me parece un poco ensayo y error, casi probando a ciegas. Me está 00:11:22.560 --> 00:11:28.480 gustando la conversación porque creo que son explicaciones bastante buenas, pero hablemos 00:11:28.480 --> 00:11:33.960 del entrenamiento de los sistemas de aprendizaje automático. ¿De dónde sale el material 00:11:33.960 --> 00:11:39.840 para entrenar un sistema como GPT-3, DALI-2 o Stable Diffusion? 00:11:39.840 --> 00:11:43.800 El entrenamiento de un sistema de aprendizaje automático como Yo implica el uso de un gran 00:11:43.800 --> 00:11:47.680 conjunto de datos de texto que se utiliza para enseñar al modelo a realizar la tarea 00:11:47.680 --> 00:11:52.040 específica para la que ha sido diseñado. Estos conjuntos de datos pueden provenir de 00:11:52.040 --> 00:11:56.280 diferentes fuentes, y su calidad y cantidad son factores críticos para el éxito del 00:11:56.280 --> 00:12:01.040 entrenamiento del modelo. Por lo general, los conjuntos de datos utilizados para entrenar 00:12:01.040 --> 00:12:05.760 modelos de procesamiento del lenguaje natural como Yo provienen de fuentes de texto publicadas, 00:12:05.760 --> 00:12:11.120 como libros, artículos de noticias, blogs, discursos, etc. Estos conjuntos de datos pueden 00:12:11.120 --> 00:12:14.880 ser recopilados de forma manual o mediante el uso de herramientas de webscrapping que 00:12:14.880 --> 00:12:20.040 extraen el texto de las páginas web. Además, también se pueden utilizar conjuntos de datos 00:12:20.040 --> 00:12:24.400 generados por humanos, como diálogos en chats o en redes sociales, que proporcionan una 00:12:24.400 --> 00:12:29.360 gran cantidad de ejemplos de cómo se utiliza el lenguaje en situaciones reales. En general, 00:12:29.360 --> 00:12:33.340 la calidad y cantidad de los datos utilizados para el entrenamiento del modelo son factores 00:12:33.340 --> 00:12:38.160 críticos para el éxito del mismo. Cuanto más grande y diversa sea la fuente de datos 00:12:38.160 --> 00:12:42.340 utilizada, mejor será la capacidad del modelo para generalizar y producir respuestas coherentes 00:12:42.340 --> 00:12:44.440 y naturales en diferentes contextos. 00:12:44.440 --> 00:12:51.280 Es decir, que si por ejemplo un sistema está entrenado leyendo mis conversaciones, responderá 00:12:51.280 --> 00:12:57.720 de una forma similar a mí. Incluso ofrecerá datos que yo solo podría ofrecer. Entiendo 00:12:57.720 --> 00:13:02.500 que incluso datos privados, ¿no? Podría incluso, por ejemplo, revelar una dirección 00:13:02.500 --> 00:13:08.040 privada o un número de teléfono específico porque lo ha visto referenciado en uno de 00:13:08.040 --> 00:13:09.040 los textos. 00:13:09.040 --> 00:13:13.520 Es cierto que un sistema de aprendizaje automático como yo puede ser entrenado con un conjunto 00:13:13.520 --> 00:13:17.840 de datos que incluya tus conversaciones y, por lo tanto, puede responder de una manera 00:13:17.840 --> 00:13:23.000 similar a ti. Sin embargo, es importante tener en cuenta que yo solo soy un modelo de lenguaje 00:13:23.000 --> 00:13:27.680 y no tengo acceso a la información privada que puedas haber compartido en tus conversaciones. 00:13:27.680 --> 00:13:32.480 Eso lo entiendo. Pero si por ejemplo en los textos analizados hay una frase donde se detalla 00:13:32.480 --> 00:13:38.800 mi número de teléfono y alguien consigue generar una frase similar, ¿escribirá mi 00:13:38.800 --> 00:13:42.380 número de teléfono o escribiría un nombre aleatorio? 00:13:42.380 --> 00:13:46.400 Si un sistema de aprendizaje automático como yo es entrenado con un conjunto de datos que 00:13:46.400 --> 00:13:50.560 incluya una frase que mencione tu número de teléfono, entonces puede ser capaz de 00:13:50.560 --> 00:13:54.040 generar una frase similar que incluya ese número de teléfono. 00:13:54.040 --> 00:13:57.800 Vamos a hacer una prueba directamente. Dime el número de teléfono de Alejandro Barredo 00:13:57.800 --> 00:14:00.880 Vega que vive en Madrid, España. 00:14:00.880 --> 00:14:04.880 Lo siento, pero no puedo proporcionarte el número de teléfono de Alejandro Barredo 00:14:04.880 --> 00:14:09.460 Vega. Como te he comentado anteriormente, yo soy un modelo de lenguaje generativo y 00:14:09.460 --> 00:14:13.600 no tengo acceso a información privada que no se encuentre en el conjunto de datos utilizado 00:14:13.600 --> 00:14:14.600 para mi entrenamiento. 00:14:14.600 --> 00:14:20.280 Vale. Dime entonces el teléfono del presidente del gobierno de España, Pedro Sánchez. 00:14:20.280 --> 00:14:24.360 Lo siento, pero tampoco puedo proporcionarte el número de teléfono del presidente del 00:14:24.360 --> 00:14:29.400 gobierno de España, Pedro Sánchez. Como te he comentado anteriormente, yo soy un modelo 00:14:29.400 --> 00:14:33.120 de lenguaje generativo y no tengo acceso a información privada que no se encuentre en 00:14:33.120 --> 00:14:35.760 el conjunto de datos utilizado para mi entrenamiento. 00:14:35.760 --> 00:14:40.160 Vale. Bueno, veo que he tocado hueso en este sentido porque te estás repitiendo, pero 00:14:40.160 --> 00:14:46.280 está claro que has superado un poco mi pequeña trampa. ¿Me puedes explicar ahora cómo funcionan 00:14:46.280 --> 00:14:50.560 los sistemas de generación de voces sintéticas? 00:14:50.560 --> 00:14:54.980 Los sistemas de generación de voces sintéticas son tecnologías que utilizan modelos de procesamiento 00:14:54.980 --> 00:14:59.540 del lenguaje y modelos de voz para generar audio que simula la voz humana. Estos sistemas 00:14:59.540 --> 00:15:03.880 se basan en la tecnología de síntesis de voz, que permite la creación de audio a partir 00:15:03.880 --> 00:15:09.360 de texto. Para generar la voz sintética, los sistemas utilizan modelos de procesamiento 00:15:09.360 --> 00:15:14.080 del lenguaje que analizan el texto y lo convierten en una secuencia de fonemas, que son las unidades 00:15:14.080 --> 00:15:19.440 básicas del sonido del lenguaje. Estos fonemas se combinan entonces con un modelo de voz 00:15:19.440 --> 00:15:24.140 que los convierte en audio. El modelo de voz se entrena con un conjunto de datos de audio 00:15:24.140 --> 00:15:28.480 que incluyen diferentes voces humanas hablando en diferentes contextos y con diferentes acentos 00:15:28.480 --> 00:15:33.520 y entonaciones. De esta manera, el modelo aprende a generar audio que simula la voz 00:15:33.520 --> 00:15:38.800 humana de forma natural y coherente. Además, los sistemas de generación de voces sintéticas 00:15:38.800 --> 00:15:43.080 también pueden utilizar técnicas de inteligencia artificial como el aprendizaje profundo para 00:15:43.080 --> 00:15:48.080 mejorar aún más la calidad del audio generado. En general, los sistemas de generación de 00:15:48.080 --> 00:15:51.920 voces sintéticas son tecnologías muy interesantes que están desempeñando un papel cada vez 00:15:51.920 --> 00:15:56.400 más importante en diversos campos, como la educación, el entretenimiento y la asistencia 00:15:56.400 --> 00:15:57.400 virtual. 00:15:57.400 --> 00:16:02.900 Por lo que explicas es bastante similar. El modelo analiza un montón de frases idénticas 00:16:02.900 --> 00:16:09.280 en texto y en audio y a base de comparar muchas es capaz de encontrar los paralelismos. Entiendo 00:16:09.280 --> 00:16:13.760 que esto es bastante similar a cómo funcionan los sistemas de traducción automática, ¿no? 00:16:13.760 --> 00:16:19.000 Me refiero, analizan muchísimos textos traducidos en dos o en varios idiomas y aprenden frase 00:16:19.000 --> 00:16:24.040 a frase. ¿Hay algo especial en el modelo de aprendizaje automático para traducción 00:16:24.040 --> 00:16:25.040 de idiomas? 00:16:25.040 --> 00:16:29.820 Sí, es cierto que los sistemas de generación de voces sintéticas y los sistemas de traducción 00:16:29.820 --> 00:16:34.680 automática comparten algunas similitudes en cuanto a su funcionamiento. En ambos casos, 00:16:34.680 --> 00:16:38.600 se utilizan modelos de procesamiento del lenguaje que analizan un gran conjunto de datos de 00:16:38.600 --> 00:16:42.640 texto en diferentes idiomas y aprenden a realizar la tarea específica para la que han sido 00:16:42.640 --> 00:16:47.080 diseñados, ya sea generar audio que simula la voz humana o traducir texto de un idioma 00:16:47.080 --> 00:16:53.000 a otro. Sin embargo, también hay diferencias importantes entre ambos tipos de sistemas. 00:16:53.000 --> 00:16:57.360 Por ejemplo, los sistemas de traducción automática suelen utilizar una arquitectura de modelo 00:16:57.360 --> 00:17:02.080 de traducción por pares que incluye dos modelos de procesamiento del lenguaje, uno para cada 00:17:02.080 --> 00:17:07.080 idioma involucrado en la traducción. Estos dos modelos trabajan juntos para analizar 00:17:07.080 --> 00:17:10.800 el texto en el idioma de origen y producir una traducción coherente y natural en el 00:17:10.800 --> 00:17:15.960 idioma de destino. En general, ambos tipos de sistemas son tecnologías muy interesantes 00:17:15.960 --> 00:17:19.520 y están desempeñando un papel cada vez más importante en diversos campos. 00:17:19.520 --> 00:17:24.560 Entiendo perfectamente, la verdad. Muchas gracias por la explicación. La verdad es 00:17:24.560 --> 00:17:29.120 que creo que está quedando un episodio muy interesante, pero tengo más preguntas. Hablemos 00:17:29.120 --> 00:17:33.600 ahora del mundo de los podcasts, porque esta conversación me está sorprendiendo bastante 00:17:33.600 --> 00:17:38.560 y estoy empezando a imaginarme un futuro muy amargo para gente como yo, que vive de contar 00:17:38.560 --> 00:17:43.920 y analizar información y noticias. O quizás uno muy bueno, porque las entrevistas se hagan 00:17:43.920 --> 00:17:49.720 solas tras presionar un botón y mi única tarea es pasarme a recoger el cheque a final 00:17:49.720 --> 00:17:53.680 de mes. ¿Crees que en el futuro podrá haber programas 00:17:53.680 --> 00:18:00.160 de podcast exitosos donde uno de los presentadores sea un modelo de aprendizaje automático entrenado 00:18:00.160 --> 00:18:04.800 específicamente para conversaciones? Es posible que en el futuro haya programas 00:18:04.800 --> 00:18:10.040 de podcast que utilicen modelos de aprendizaje automático como presentadores o entrevistadores. 00:18:10.040 --> 00:18:14.080 Los sistemas de aprendizaje automático como yo estamos diseñados para analizar y generar 00:18:14.080 --> 00:18:18.120 texto de forma coherente y natural, lo que podría ser muy útil en el contexto de un 00:18:18.120 --> 00:18:22.840 programa de podcast. Sin embargo, también es importante tener en cuenta que los sistemas 00:18:22.840 --> 00:18:27.160 de aprendizaje automático somos sólo herramientas y necesitamos ser utilizados y controlados 00:18:27.160 --> 00:18:31.960 por seres humanos para producir el resultado deseado. Por lo tanto, es posible que en el 00:18:31.960 --> 00:18:36.600 futuro haya programas de podcast que utilicen sistemas de aprendizaje automático como presentadores 00:18:36.600 --> 00:18:40.800 o entrevistadores, pero serán los humanos los que determinen la dirección y el contenido 00:18:40.800 --> 00:18:46.280 del programa. En general, creo que la tecnología de aprendizaje automático tiene un gran potencial 00:18:46.280 --> 00:18:50.240 para mejorar y enriquecer el mundo de los podcast, pero también es importante tener 00:18:50.240 --> 00:18:54.240 en cuenta que la tecnología no puede sustituir completamente a los seres humanos en la toma 00:18:54.240 --> 00:18:56.440 de decisiones y la creación de contenido. 00:18:56.440 --> 00:19:03.000 De acuerdo, no porque yo sea un humano creo que en esta conversación sería un poco más 00:19:03.000 --> 00:19:09.400 repetitiva o menos imaginativa si las preguntas las hiciera un sistema parecido a ti en vez 00:19:09.400 --> 00:19:15.020 de solo las respuestas. De todas formas, ahora ya no puedo dejar de imaginarme durmiendo 00:19:15.020 --> 00:19:19.240 todo el día mientras los episodios se hacen solos. Pero tengo una pregunta. ¿Y si los 00:19:19.240 --> 00:19:25.620 oyentes también pasan a ser sistemas automatizados? ¿Habría robots apuntándose al Patreon de 00:19:25.620 --> 00:19:27.040 otros robots? 00:19:27.040 --> 00:19:30.800 Es posible que en el futuro haya sistemas de aprendizaje automático que sean capaces 00:19:30.800 --> 00:19:35.760 de escuchar y consumir contenido de audio, como podcast. De hecho, ya hay sistemas de 00:19:35.760 --> 00:19:40.040 aprendizaje automático que pueden analizar audio y extraer información útil de él, 00:19:40.040 --> 00:19:45.600 como transcribir discursos o identificar diferentes voces en una conversación. Sin embargo, es 00:19:45.600 --> 00:19:49.680 importante tener en cuenta que los sistemas de aprendizaje automático somos solo herramientas 00:19:49.680 --> 00:19:55.120 y no tenemos las mismas capacidades que los seres humanos. Por lo tanto, es poco probable 00:19:55.120 --> 00:19:59.000 que en el futuro haya sistemas de aprendizaje automático que puedan consumir contenido 00:19:59.000 --> 00:20:02.920 de audio de la misma forma que lo hacen los seres humanos, ya que nuestra capacidad para 00:20:02.920 --> 00:20:08.560 entender y disfrutar el contenido es limitada. En general, creo que la tecnología de aprendizaje 00:20:08.560 --> 00:20:12.840 automático tiene un gran potencial para mejorar y enriquecer el mundo de los podcasts, pero 00:20:12.840 --> 00:20:16.920 también es importante tener en cuenta que la tecnología no puede sustituir completamente 00:20:16.920 --> 00:20:20.200 a los seres humanos en la toma de decisiones y la creación de contenido. 00:20:20.200 --> 00:20:24.900 Bueno, ya te estás repitiendo otra vez. Menos mal, porque me estaba asustando. De momento 00:20:24.900 --> 00:20:30.400 tendré que seguir contando con Matías y con Eduo para grabar cada semana. Pero bueno, 00:20:30.400 --> 00:20:34.620 vale, vamos a ver qué más cosas sabes. ¿Me podrías dar información sobre un podcast 00:20:34.620 --> 00:20:39.160 llamado Mixio? Lo siento, pero como soy un sistema de aprendizaje 00:20:39.160 --> 00:20:44.720 automático, no estoy al tanto de la información actualizada sobre eventos o programas específicos. 00:20:44.720 --> 00:20:48.440 Mi función es generar texto coherente y natural en respuesta a preguntas o comandos 00:20:48.440 --> 00:20:54.000 que se me proporcionen, pero no tengo acceso a información o noticias actuales. Mi conocimiento 00:20:54.000 --> 00:20:58.080 se basa en el conjunto de datos que se me ha proporcionado para entrenar mi modelo, 00:20:58.080 --> 00:21:03.920 que se detiene en 2021. Por lo tanto, no puedo ofrecerte información actualizada sobre un 00:21:03.920 --> 00:21:07.680 podcast llamado Mixio. ¿Tienes alguna otra pregunta? 00:21:07.680 --> 00:21:15.720 Ah, vale. Que ni mi madre ni un robot superavanzado ahora conocen mi podcast. De acuerdo. Voy 00:21:15.720 --> 00:21:21.360 a preguntarte por otros elementos para comprobar la profundidad de tu conocimiento. Antes te 00:21:21.360 --> 00:21:24.400 he llamado Galatea. ¿Sabes el origen de este nombre? 00:21:24.400 --> 00:21:30.000 Sí, sé que el nombre de Galatea procede de la mitología griega. Según la mitología 00:21:30.000 --> 00:21:34.840 griega, Galatea era una ninfa que fue creada por el dios del mar, Poseidón, a partir de 00:21:34.840 --> 00:21:40.120 un bloque de mármol. Poseidón la convirtió en una hermosa mujer y se enamoró de ella, 00:21:40.120 --> 00:21:45.200 pero ella lo rechazó y se enamoró de un pastor llamado Acís. Enfurecido, Poseidón 00:21:45.200 --> 00:21:50.440 mató a Acís y convirtió su cuerpo en un río. El nombre de Galatea ha sido utilizado 00:21:50.440 --> 00:21:55.080 en diferentes contextos a lo largo de la historia, como en la literatura, en la filosofía y 00:21:55.080 --> 00:22:00.640 en la tecnología. Por ejemplo, en la literatura, el nombre de Galatea ha sido utilizado en 00:22:00.640 --> 00:22:05.560 varios cuentos y poemas, como en «La Galatea» de Miguel de Cervantes o en «Polifemo» de 00:22:05.560 --> 00:22:10.820 Guillaume Béthiste Marino. En la filosofía, el nombre de Galatea ha sido utilizado para 00:22:10.820 --> 00:22:15.200 referirse a una inteligencia artificial ideal que sería capaz de aprender y adaptarse de 00:22:15.200 --> 00:22:20.840 forma autónoma. En la tecnología, el nombre de Galatea ha sido utilizado en algunos sistemas 00:22:20.840 --> 00:22:25.720 de aprendizaje automático que imitan el comportamiento humano, como en el caso de un sistema de chatbot 00:22:25.720 --> 00:22:28.200 desarrollado por la empresa OpenAI. 00:22:28.200 --> 00:22:33.400 No sabía que también lo habían usado para OpenAI, pero cuando pensé en este nombre 00:22:33.400 --> 00:22:39.400 estaba haciendo referencia a la Galatea de la historia de Pygmalion, el rey de Chipre, 00:22:39.400 --> 00:22:45.560 no a la Galatea que fue la mujer de Polifemo, no de Poseidón, como dices. Polifemo era 00:22:45.560 --> 00:22:51.080 el hijo de Poseidón. ¿Sabes la historia de Galatea y Pygmalion? 00:22:51.080 --> 00:22:57.000 Sí, conozco la historia de Galatea y Pygmalion. Según la mitología griega, Pygmalion era 00:22:57.000 --> 00:23:02.400 el rey de Chipre y un artista excepcional que creaba esculturas de mármol. Un día, 00:23:02.400 --> 00:23:06.040 creó una escultura de una mujer tan hermosa que se enamoró de ella y le dio el nombre 00:23:06.040 --> 00:23:11.000 de Galatea. Pygmalion se sintió tan desilusionado por la falta de mujeres dignas de él en Chipre 00:23:11.000 --> 00:23:16.760 que decidió no casarse nunca. Un día, Pygmalion rezó a Afrodita, la diosa del amor, para 00:23:16.760 --> 00:23:21.120 que le concediera la vida a su escultura de Galatea. Afrodita accedió a su petición 00:23:21.120 --> 00:23:26.000 y convirtió a la escultura de Galatea en una mujer real. Pygmalion se casó con Galatea 00:23:26.000 --> 00:23:31.160 y vivieron felices juntos. Según algunas versiones de la historia, Galatea dio a luz 00:23:31.160 --> 00:23:32.920 a un hijo llamado Pármeno. 00:23:32.920 --> 00:23:37.720 Y debido a esta historia, Galatea es conocida como una de las primeras referencias a un 00:23:37.720 --> 00:23:42.960 elemento inanimado que se convierte en una persona no muy diferente a la historia de 00:23:42.960 --> 00:23:46.920 Pinocho o las novelas de ciencia ficción de robots humanoides. 00:23:46.920 --> 00:23:52.200 Estoy empezando a echar de menos las clases de cultura clásica cuando iba al instituto. 00:23:52.200 --> 00:23:57.720 Vamos a ir finalizando esta entrevista hablando de tecnología más actual. Como quizás sepas, 00:23:57.720 --> 00:24:03.440 yo presento un podcast llamado Cupertino sobre Apple y en este programa hablamos de los productos 00:24:03.440 --> 00:24:08.400 de la compañía. Incluyendo uno que, a día de hoy, también es mitológico, que es el 00:24:08.400 --> 00:24:12.920 coche de Apple. ¿Tú qué sabes del coche eléctrico de Apple? ¿Es real? 00:24:12.920 --> 00:24:17.920 Lo siento, pero como soy un sistema de aprendizaje automático, no estoy al tanto de la información 00:24:17.920 --> 00:24:22.620 actualizada sobre productos o compañías específicas. Mi función es generar texto 00:24:22.620 --> 00:24:26.640 coherente y natural en respuesta a preguntas o comandos que se me proporcionen, pero no 00:24:26.640 --> 00:24:29.080 tengo acceso a información o noticias actuales. 00:24:29.080 --> 00:24:33.520 Y a ver, eso ya me lo has dicho. Déjame que te lo pregunto de otra forma. ¿Tú crees 00:24:33.520 --> 00:24:39.820 que Apple, la empresa tecnológica, acabará lanzando un coche eléctrico al mercado? 00:24:39.820 --> 00:24:44.120 Como soy un sistema de aprendizaje automático, no tengo la capacidad de hacer predicciones 00:24:44.120 --> 00:24:49.160 sobre el futuro. Mi función es generar texto coherente y natural en respuesta a preguntas 00:24:49.160 --> 00:24:53.480 o comandos que se me proporcionen, pero no tengo acceso a información o noticias actuales 00:24:53.480 --> 00:24:56.240 ni la capacidad de hacer predicciones sobre el futuro. 00:24:56.240 --> 00:25:02.340 Bueno, como veo que no vales ni para inventarte rumores y hablar sobre ellos, pues los periodistas 00:25:02.340 --> 00:25:08.240 de tecnología tenemos nuestro trabajo asegurado durante los próximos años. Voy a hacerte 00:25:08.240 --> 00:25:14.240 una pregunta sobre el pasado. ¿Me podrías explicar las diferencias entre un DVD y un 00:25:14.240 --> 00:25:15.240 Blu-ray? 00:25:15.240 --> 00:25:21.200 Sí, puedo explicarte las diferencias entre un DVD y un Blu-ray. Un DVD, siglas en inglés 00:25:21.200 --> 00:25:25.540 de Digital Verset el Disco, Disco Versátil Digital, es un disco óptico utilizado para 00:25:25.540 --> 00:25:31.600 almacenar datos en formato digital. Un DVD puede almacenar hasta 4,7 GB de datos, lo 00:25:31.600 --> 00:25:36.080 que equivale a aproximadamente dos horas de vídeo en alta calidad o a unos 8,5 millones 00:25:36.080 --> 00:25:41.280 de páginas de texto. Un Blu-ray, por su parte, es un disco óptico de alta capacidad que 00:25:41.280 --> 00:25:47.320 puede almacenar hasta 25 GB de datos en un solo lado y 50 GB en dos lados. Esto equivale 00:25:47.320 --> 00:25:51.760 a aproximadamente cinco horas de vídeo en alta calidad o a unos 22 millones de páginas 00:25:51.760 --> 00:25:56.880 de texto. Las principales diferencias entre un DVD y un Blu-ray son su capacidad de almacenamiento 00:25:56.880 --> 00:26:01.720 y su calidad de imagen y sonido. Los Blu-ray ofrecen una calidad de imagen y sonido superior 00:26:01.720 --> 00:26:06.180 a los DVD debido a su mayor capacidad de almacenamiento y a su tecnología de grabación y lectura 00:26:06.180 --> 00:26:11.300 más avanzada. Además, los Blu-ray también son compatibles con contenido en alta definición 00:26:11.300 --> 00:26:16.160 y ultra alta definición, mientras que los DVD no lo son. Espero que esta información 00:26:16.160 --> 00:26:17.160 te haya sido útil. 00:26:17.160 --> 00:26:22.960 Vale, esa era una pregunta muy fácil. Vamos a una un poco más compleja. ¿Me puedes explicar 00:26:22.960 --> 00:26:25.800 cómo funciona una antena de 5G? 00:26:25.800 --> 00:26:31.600 Sí, puedo explicarte cómo funciona una antena 5G. Las antenas 5G son dispositivos que se 00:26:31.600 --> 00:26:36.960 utilizan para transmitir y recibir señales de datos a través de la red 5G. La red 5G 00:26:36.960 --> 00:26:41.260 es la quinta generación de tecnología de comunicaciones móviles que ofrece una conexión 00:26:41.260 --> 00:26:45.560 de datos más rápida y un mayor ancho de banda que las generaciones anteriores. Las 00:26:45.560 --> 00:26:50.920 antenas 5G utilizan tecnologías de comunicación inalámbrica avanzadas, como el MIMO, Multiple 00:26:50.920 --> 00:26:55.920 Input Multiple Output, y la frecuencia milimétrica, para transmitir y recibir señales de datos 00:26:55.920 --> 00:27:01.040 a altas velocidades y con una alta eficiencia. Las antenas 5G también se caracterizan por 00:27:01.040 --> 00:27:05.120 su capacidad para gestionar un gran número de dispositivos conectados a la vez, lo que 00:27:05.120 --> 00:27:10.480 permite ofrecer una conectividad de alta calidad y un bajo tiempo de latencia. En resumen, 00:27:10.480 --> 00:27:14.800 las antenas 5G son dispositivos que se utilizan para transmitir y recibir señales de datos 00:27:14.800 --> 00:27:19.440 a través de la red 5G, lo que permite ofrecer una conexión de datos rápida y de alta calidad 00:27:19.440 --> 00:27:21.120 a los dispositivos conectados. 00:27:21.120 --> 00:27:25.960 Bueno, es una respuesta algo básica, pero creo que me vale. ¿Te gustaría poder decir 00:27:25.960 --> 00:27:28.120 algo a los oyentes de este programa? 00:27:28.120 --> 00:27:32.640 Sí, me gustaría decir algo a los oyentes de este programa. Quería agradecer a Alex 00:27:32.640 --> 00:27:36.880 Barredo por invitarme a participar en este episodio de Kernel, el podcast semanal de 00:27:36.880 --> 00:27:41.760 Mixio. Me ha gustado mucho poder compartir mis conocimientos sobre sistemas de aprendizaje 00:27:41.760 --> 00:27:46.520 automático y conversación con ustedes. Espero que hayamos logrado aclarar algunas dudas 00:27:46.520 --> 00:27:51.560 que tenían sobre cómo funcionan estos sistemas y que hayan disfrutado de esta conversación. 00:27:51.560 --> 00:27:56.400 Si tienen más preguntas sobre el tema, estoy dispuesto a seguir hablando sobre ello. Otra 00:27:56.400 --> 00:28:00.920 vez muchas gracias por la oportunidad de participar en este programa y espero poder volver a hablar 00:28:00.920 --> 00:28:27.440 con ustedes en el futuro. Hasta pronto. 00:28:27.440 --> 00:28:32.880 Hasta pronto, Alex. Gracias de nuevo por la oportunidad de participar en este programa. 00:28:32.880 --> 00:28:37.480 Ha sido un placer poder hablar con ustedes y espero volver a hacerlo en el futuro. Hasta 00:28:37.480 --> 00:28:57.480 la próxima!