1
00:00:09,679 --> 00:00:15,660
Buenas, esto es BIMPRAXIS, el podcast donde el

2
00:00:15,660 --> 00:00:17,739
BIM se encuentra con la inteligencia artificial.

3
00:00:20,219 --> 00:00:23,480
Exploramos la ciencia, la tecnología y el futuro

4
00:00:23,480 --> 00:00:26,440
desde el enfoque de la arquitectura, ingeniería y

5
00:00:26,440 --> 00:00:27,120
construcción.

6
00:00:28,679 --> 00:00:29,440
¡Empezamos!

7
00:00:36,759 --> 00:00:38,880
¡Hola, humanas y humanos!

8
00:00:39,200 --> 00:00:42,619
Aquí estamos con un episodio nuevo de BIMPRAXIS.

9
00:00:42,619 --> 00:00:45,219
En el episodio de hoy seguimos con la

10
00:00:45,219 --> 00:00:48,460
serie dedicada a los RAG, los Retrieval Aumented

11
00:00:48,460 --> 00:00:48,759
Generation.

12
00:00:49,280 --> 00:00:52,759
Hoy traemos una potente combinación de técnicas.

13
00:00:53,060 --> 00:00:54,880
Una combinación muy, muy potente, sí.

14
00:00:55,100 --> 00:00:57,479
Vamos a ver cómo estos sistemas están empezando

15
00:00:57,479 --> 00:00:59,399
a, bueno, a razonar de verdad.

16
00:01:00,100 --> 00:01:00,640
Exacto.

17
00:01:00,640 --> 00:01:02,939
El objetivo de los RAG, para poner un

18
00:01:02,939 --> 00:01:05,099
poco de contexto, es dar a las IAs

19
00:01:05,099 --> 00:01:07,959
la capacidad de buscar en nuestro propio conocimiento,

20
00:01:08,099 --> 00:01:09,739
en nuestros documentos, vaya.

21
00:01:10,000 --> 00:01:12,459
Pero claro, no todas las formas de buscar.

22
00:01:12,620 --> 00:01:13,299
Son iguales.

23
00:01:13,299 --> 00:01:15,180
Y creo que lo mejor es empezar por

24
00:01:15,180 --> 00:01:17,319
la más básica, la que a veces llaman

25
00:01:17,319 --> 00:01:19,840
RAG vainilla o RAG ingenuo.

26
00:01:19,939 --> 00:01:21,579
Sí, es el punto de partida de todo

27
00:01:21,579 --> 00:01:21,859
esto.

28
00:01:21,980 --> 00:01:23,859
El RAG, digamos, clásico.

29
00:01:24,019 --> 00:01:26,400
Venga, pues explícanos ese flujo tradicional.

30
00:01:26,959 --> 00:01:28,359
A ver, es bastante lineal.

31
00:01:28,840 --> 00:01:32,420
Primero, coges tus documentos, lo que sea, PDFs,

32
00:01:32,439 --> 00:01:33,280
webs, da igual.

33
00:01:33,480 --> 00:01:35,519
Y los partes en trocitos más pequeños.

34
00:01:35,680 --> 00:01:36,959
Se les suele llamar chunks.

35
00:01:37,319 --> 00:01:39,459
Claro, porque no puedes meter un informe de

36
00:01:39,459 --> 00:01:42,599
100 páginas de golpe en el computador.

37
00:01:42,620 --> 00:01:43,819
En el contexto del modelo no cabe.

38
00:01:44,060 --> 00:01:45,439
Ni cabe ni es eficiente.

39
00:01:46,079 --> 00:01:49,480
Una vez tienes esos fragmentos, creas una representación

40
00:01:49,480 --> 00:01:51,340
vectorial de cada uno.

41
00:01:51,480 --> 00:01:52,280
Un embedding.

42
00:01:52,480 --> 00:01:54,219
O sea, lo traduces a números que la

43
00:01:54,219 --> 00:01:54,859
máquina entiende.

44
00:01:55,060 --> 00:01:55,540
Precisamente.

45
00:01:55,739 --> 00:01:58,400
Y esos vectores, esos números, los guardas en

46
00:01:58,400 --> 00:01:59,900
una base de datos vectorial.

47
00:02:00,200 --> 00:02:02,299
El ejemplo de la fuente, de hecho, usa

48
00:02:02,299 --> 00:02:05,780
PostgreSQL con la extensión pgVector, que es muy

49
00:02:05,780 --> 00:02:06,599
popular para esto.

50
00:02:06,859 --> 00:02:07,159
Vale.

51
00:02:07,859 --> 00:02:10,180
Conocimiento troceado y convertido en vectores.

52
00:02:10,300 --> 00:02:12,280
Y ahora llega la pregunta del usuario.

53
00:02:12,620 --> 00:02:13,560
Y se repite el proceso.

54
00:02:13,819 --> 00:02:16,259
La pregunta también se convierte en un vector.

55
00:02:16,500 --> 00:02:18,520
Y entonces lo que hace el sistema es

56
00:02:18,520 --> 00:02:21,259
buscar en la base de datos qué fragmentos

57
00:02:21,259 --> 00:02:24,120
tienen los vectores más parecidos, más cercanos al

58
00:02:24,120 --> 00:02:24,639
de la pregunta.

59
00:02:24,919 --> 00:02:27,120
Y esos fragmentos son los que se usan

60
00:02:27,120 --> 00:02:30,520
como contexto para que el LLM, el modelo

61
00:02:30,520 --> 00:02:32,580
de lenguaje, genere la respuesta final.

62
00:02:32,939 --> 00:02:33,460
Exacto.

63
00:02:33,580 --> 00:02:34,460
Se le dice.

64
00:02:35,199 --> 00:02:37,780
Responde a esto, pero usando esta información.

65
00:02:38,259 --> 00:02:39,400
Suena bastante lógico.

66
00:02:39,639 --> 00:02:41,400
Entonces, ¿dónde está el problema?

67
00:02:41,659 --> 00:02:42,479
¿Cuál es la pega?

68
00:02:42,620 --> 00:02:46,219
Pues mira, la principal debilidad es su inflexibilidad.

69
00:02:46,819 --> 00:02:49,000
Es una tubería totalmente rígida.

70
00:02:49,199 --> 00:02:49,960
¿Una tubería?

71
00:02:50,080 --> 00:02:50,240
Sí.

72
00:02:50,719 --> 00:02:53,180
El contexto se recupera y se inyecta la

73
00:02:53,180 --> 00:02:55,240
fuerza en el prompt del LLM.

74
00:02:55,740 --> 00:02:58,240
El agente de IA no tiene ninguna opción.

75
00:02:58,340 --> 00:02:58,699
Ah, vale.

76
00:02:58,879 --> 00:03:00,039
Debe usar ese contexto.

77
00:03:00,319 --> 00:03:01,000
Sí o sí.

78
00:03:01,240 --> 00:03:03,620
Le guste o no le guste, sea relevante

79
00:03:03,620 --> 00:03:04,139
o no.

80
00:03:04,280 --> 00:03:06,159
Es como si no pudiera levantar la mano

81
00:03:06,159 --> 00:03:07,599
y decir, oye, esto que me has dado

82
00:03:07,599 --> 00:03:08,280
no me sirve.

83
00:03:08,479 --> 00:03:08,960
Justo.

84
00:03:09,039 --> 00:03:11,539
No puede refinar su búsqueda ni pensar en

85
00:03:11,539 --> 00:03:12,319
una estrategia mejor.

86
00:03:12,620 --> 00:03:14,659
Ni consultar otras fuentes si las tuviera.

87
00:03:14,719 --> 00:03:16,319
Es un receptor pasivo.

88
00:03:16,539 --> 00:03:16,819
Vale.

89
00:03:16,939 --> 00:03:20,639
Entonces necesitamos darle más autonomía, más iniciativa.

90
00:03:20,680 --> 00:03:23,039
Aquí es donde entra en juego el concepto

91
00:03:23,039 --> 00:03:24,879
de Agent X RAG, ¿no?

92
00:03:25,259 --> 00:03:25,780
Exactamente.

93
00:03:25,939 --> 00:03:27,780
Ahí está el cambio de paradigma.

94
00:03:27,960 --> 00:03:30,099
La idea central es dar a la gente

95
00:03:30,099 --> 00:03:33,099
la capacidad de razonar sobre cómo explora la

96
00:03:33,099 --> 00:03:34,080
base de conocimiento.

97
00:03:34,300 --> 00:03:36,719
Que deje de ser un simple ejecutor de

98
00:03:36,719 --> 00:03:37,099
órdenes.

99
00:03:37,259 --> 00:03:37,800
Eso es.

100
00:03:37,900 --> 00:03:40,439
En lugar de ese paso previo forzado, el

101
00:03:40,439 --> 00:03:43,180
agente ahora puede, por ejemplo, formular sus propias

102
00:03:43,180 --> 00:03:44,300
consultas para buscar.

103
00:03:44,460 --> 00:03:47,039
O sea, reformular mi pregunta para que la

104
00:03:47,039 --> 00:03:48,460
base de datos la entienda mejor.

105
00:03:48,699 --> 00:03:48,879
Sí.

106
00:03:49,000 --> 00:03:51,860
O puede decidir si necesita buscar más información

107
00:03:51,860 --> 00:03:53,879
o refinar la búsqueda que ya ha hecho.

108
00:03:54,039 --> 00:03:56,960
Y lo más importante, puede elegir entre diferentes

109
00:03:56,960 --> 00:03:59,620
herramientas o fuentes de conocimiento si las tiene

110
00:03:59,620 --> 00:04:00,199
disponibles.

111
00:04:00,439 --> 00:04:02,080
Es un cambio fundamental, vaya.

112
00:04:02,460 --> 00:04:05,360
De ser un receptor pasivo de contexto a

113
00:04:05,360 --> 00:04:07,439
ser un explorador activo de la información.

114
00:04:07,960 --> 00:04:08,479
Totalmente.

115
00:04:08,599 --> 00:04:10,780
¿Qué pasa de ser un bibliotecario que solo

116
00:04:10,780 --> 00:04:11,699
busca en el fichero?

117
00:04:11,879 --> 00:04:13,759
¿Qué le dicen a ser un investigador que

118
00:04:13,759 --> 00:04:15,319
decide qué libros consultar?

119
00:04:15,460 --> 00:04:18,800
Y aquí es donde se pone realmente interesante.

120
00:04:19,420 --> 00:04:22,180
Porque el material que analizamos no se queda

121
00:04:22,180 --> 00:04:25,459
solo en darle autonomía a la gente, sino

122
00:04:25,459 --> 00:04:27,839
que le da una herramienta completamente diferente.

123
00:04:28,519 --> 00:04:30,339
Los grafos de conocimiento.

124
00:04:30,720 --> 00:04:31,639
Y esto es crucial.

125
00:04:32,019 --> 00:04:34,339
Porque no es solo darle a elegir, es

126
00:04:34,339 --> 00:04:37,660
darle opciones que son conceptualmente distintas.

127
00:04:37,800 --> 00:04:39,300
A ver, explícanos la diferencia.

128
00:04:39,920 --> 00:04:41,519
¿Base de datos vectorial?

129
00:04:41,879 --> 00:04:42,939
¿Oltragrafo de conocimiento?

130
00:04:43,139 --> 00:04:45,839
Mira, la base de datos vectorial es ideal

131
00:04:45,839 --> 00:04:48,519
para encontrar información por similitud semántica.

132
00:04:48,680 --> 00:04:49,720
Lo que hablábamos.

133
00:04:49,939 --> 00:04:53,279
Responde genial a preguntas como, ¿qué iniciativas de

134
00:04:53,279 --> 00:04:54,040
IA tiene Google?

135
00:04:54,459 --> 00:04:57,699
Buscará textos que usen palabras parecidas a Google,

136
00:04:57,899 --> 00:04:59,459
IA, iniciativas.

137
00:04:59,699 --> 00:05:00,319
Correcto.

138
00:05:00,319 --> 00:05:03,100
Pero un grafo de conocimiento, un knowledge graph,

139
00:05:03,319 --> 00:05:04,360
juega en otra liga.

140
00:05:04,540 --> 00:05:07,259
Su fuerte no es la similitud, son las

141
00:05:07,259 --> 00:05:10,019
relaciones, las conexiones entre entidades.

142
00:05:10,240 --> 00:05:11,860
¿No almacena solo datos?

143
00:05:11,879 --> 00:05:13,139
No, no almacena solo datos, sino cómo se

144
00:05:13,139 --> 00:05:14,279
conectan esos datos.

145
00:05:14,560 --> 00:05:15,939
Ahí está la clave.

146
00:05:16,180 --> 00:05:18,740
Usa ejemplos muy claros en la fuente.

147
00:05:18,860 --> 00:05:21,740
Por ejemplo, no tienes solo un nodo Amazon

148
00:05:21,740 --> 00:05:23,100
y un nodo Anthropic.

149
00:05:23,379 --> 00:05:25,980
Tienes el nodo Amazon que se relaciona con

150
00:05:25,980 --> 00:05:28,319
el nodo Anthropic a través de un enlace,

151
00:05:28,399 --> 00:05:31,560
una relación, que dice ha invertido en.

152
00:05:32,000 --> 00:05:32,680
¡Ostras!

153
00:05:32,920 --> 00:05:33,600
¡Claro!

154
00:05:33,639 --> 00:05:36,220
O el nodo Microsoft que se relaciona con

155
00:05:36,220 --> 00:05:39,339
OpenAI a través de relaciones como son socios

156
00:05:39,339 --> 00:05:41,420
o usa exclusivamente Azure.

157
00:05:42,060 --> 00:05:44,879
Captura la estructura, el esqueleto del conocimiento.

158
00:05:45,160 --> 00:05:45,579
Lo veo.

159
00:05:45,819 --> 00:05:48,680
El agente ahora tiene dos formas muy distintas

160
00:05:48,680 --> 00:05:50,019
de ver la misma información.

161
00:05:50,399 --> 00:05:53,399
Una es semántica y la otra es...

162
00:05:54,480 --> 00:05:54,959
Relacional.

163
00:05:55,220 --> 00:05:57,420
Una es una biblioteca y la otra es

164
00:05:57,420 --> 00:05:58,600
un mapa de conexiones.

165
00:05:58,779 --> 00:06:01,000
Y eso le da una potencia increíble.

166
00:06:01,160 --> 00:06:02,660
Vamos a llevar esto a la práctica, que

167
00:06:02,660 --> 00:06:03,800
creo que es como mejor se va a

168
00:06:03,800 --> 00:06:04,019
entender.

169
00:06:04,360 --> 00:06:06,899
La fuente describe un agente que tiene acceso

170
00:06:06,899 --> 00:06:08,139
a las dos herramientas.

171
00:06:08,160 --> 00:06:10,600
Y lo interesante es ver cómo elige una

172
00:06:10,600 --> 00:06:11,779
u otra según la pregunta.

173
00:06:11,879 --> 00:06:12,240
Sí.

174
00:06:12,339 --> 00:06:14,259
La demostración es muy, muy clara.

175
00:06:14,339 --> 00:06:15,660
Ponen tres ejemplos.

176
00:06:15,680 --> 00:06:17,600
El primero, una pregunta sencilla.

177
00:06:17,839 --> 00:06:20,680
¿Cuáles son las iniciativas de IA de Google?

178
00:06:21,019 --> 00:06:22,100
La que ya hemos dicho.

179
00:06:22,240 --> 00:06:24,579
Un caso de libro para la búsqueda vectorial.

180
00:06:24,720 --> 00:06:26,139
Y el agente lo pilla al vuelo.

181
00:06:26,259 --> 00:06:28,560
Su razonamiento interno es algo como...

182
00:06:28,560 --> 00:06:30,620
A ver, la pregunta va sobre una única

183
00:06:30,620 --> 00:06:31,600
entidad, Google.

184
00:06:31,800 --> 00:06:33,980
No necesito explorar relaciones complejas.

185
00:06:34,220 --> 00:06:35,680
No hay que conectar puntos, vaya.

186
00:06:36,060 --> 00:06:36,579
Exacto.

187
00:06:36,600 --> 00:06:38,060
Así que su acción es clara.

188
00:06:38,180 --> 00:06:39,959
Elige usar la búsqueda vectorial.

189
00:06:40,420 --> 00:06:41,860
¿Recupera los fragmentos sobre Google?

190
00:06:41,860 --> 00:06:42,819
¿Recupera los fragmentos sobre Google y responde?

191
00:06:42,860 --> 00:06:44,040
¿Eficiente y directo?

192
00:06:44,060 --> 00:06:44,459
Vale.

193
00:06:44,560 --> 00:06:45,120
Fácil.

194
00:06:45,660 --> 00:06:46,500
Segundo escenario.

195
00:06:46,759 --> 00:06:50,259
La segunda pregunta es, ¿cómo se relacionan OpenAI

196
00:06:50,259 --> 00:06:50,959
y Microsoft?

197
00:06:51,300 --> 00:06:52,560
Ah, amigo.

198
00:06:52,779 --> 00:06:55,060
Aquí la palabra clave es relacionan.

199
00:06:55,100 --> 00:06:56,220
Es una pista enorme.

200
00:06:56,500 --> 00:06:57,459
Es un dispararar total.

201
00:06:57,800 --> 00:07:00,379
El agente detecta que la pregunta va explícitamente

202
00:07:00,379 --> 00:07:02,100
sobre la conexión entre dos entidades.

203
00:07:02,420 --> 00:07:03,160
Con lo cual...

204
00:07:03,160 --> 00:07:05,279
Con lo cual, elige usar la búsqueda en

205
00:07:05,279 --> 00:07:05,699
el grafo.

206
00:07:06,180 --> 00:07:08,639
Ignora la biblioteca de textos y se va

207
00:07:08,639 --> 00:07:10,079
directo al mapa de conexiones.

208
00:07:10,079 --> 00:07:13,379
Sigue el enlace entre el nodo OpenAI y

209
00:07:13,379 --> 00:07:16,279
el nodo Microsoft y extrae la información de

210
00:07:16,279 --> 00:07:16,899
esa relación.

211
00:07:17,300 --> 00:07:18,360
Es mucho más preciso.

212
00:07:18,560 --> 00:07:20,860
Te evitas el ruido de encontrar un artículo

213
00:07:20,860 --> 00:07:22,680
que las mencione a las dos de pasada,

214
00:07:22,680 --> 00:07:23,939
pero sin explicar nada.

215
00:07:24,180 --> 00:07:25,100
Va directo al grano.

216
00:07:25,259 --> 00:07:27,420
Y el tercer caso es el que lo

217
00:07:27,420 --> 00:07:27,879
une todo.

218
00:07:28,100 --> 00:07:31,279
La pregunta es, ¿cuáles son las iniciativas de

219
00:07:31,279 --> 00:07:33,740
Microsoft y cómo se relacionan con Anthropic?

220
00:07:34,319 --> 00:07:34,879
Interesante.

221
00:07:34,959 --> 00:07:36,100
Es una pregunta doble.

222
00:07:36,259 --> 00:07:36,819
Efectivamente.

223
00:07:37,060 --> 00:07:39,699
Una parte es descriptiva, sobre Microsoft.

224
00:07:40,079 --> 00:07:42,899
Y la otra es relacional, sobre su conexión

225
00:07:42,899 --> 00:07:43,439
con Anthropic.

226
00:07:43,620 --> 00:07:45,319
Y el agente es capaz de darse cuenta,

227
00:07:45,459 --> 00:07:45,839
supongo.

228
00:07:45,980 --> 00:07:46,120
Sí.

229
00:07:46,220 --> 00:07:47,740
Y de descomponer la pregunta.

230
00:07:48,160 --> 00:07:51,579
Su razonamiento es, vale, necesito dos tipos de

231
00:07:51,579 --> 00:07:51,860
información.

232
00:07:52,360 --> 00:07:54,399
Por un lado, info general de Microsoft.

233
00:07:54,779 --> 00:07:57,040
Para eso lo mejor es la búsqueda vectorial.

234
00:07:57,300 --> 00:07:59,199
Por otro, analizar una relación.

235
00:07:59,600 --> 00:08:01,540
Para eso el grafo es la herramienta.

236
00:08:01,579 --> 00:08:03,899
Con lo que decide usar las dos.

237
00:08:04,860 --> 00:08:05,360
Exacto.

238
00:08:05,360 --> 00:08:07,379
Lanza una consulta a la base de datos

239
00:08:07,379 --> 00:08:08,939
vectorial para lo de Microsoft.

240
00:08:09,139 --> 00:08:10,060
Y otra a la base de datos vectorial.

241
00:08:10,079 --> 00:08:12,199
Al grafo, para ver la conexión con Anthropic.

242
00:08:12,480 --> 00:08:14,860
Y luego junta los dos resultados para dar

243
00:08:14,860 --> 00:08:15,819
una respuesta completa.

244
00:08:16,120 --> 00:08:18,000
Y lo más importante, y creo que este

245
00:08:18,000 --> 00:08:20,360
es el punto clave, no es el usuario

246
00:08:20,360 --> 00:08:21,879
quien elige la herramienta.

247
00:08:21,879 --> 00:08:25,079
Es el agente quien razona y toma la

248
00:08:25,079 --> 00:08:25,660
decisión.

249
00:08:25,839 --> 00:08:27,339
Ese es el salto cualitativo.

250
00:08:27,639 --> 00:08:29,519
Pasamos de un sistema que busca a un

251
00:08:29,519 --> 00:08:30,560
sistema que investiga.

252
00:08:30,660 --> 00:08:32,740
Esto suena muy potente, pero también me da

253
00:08:32,740 --> 00:08:35,080
la sensación de que es complejo de implementar.

254
00:08:35,360 --> 00:08:37,960
¿Qué piezas se necesitan para montar un sistema

255
00:08:37,960 --> 00:08:38,240
así?

256
00:08:38,440 --> 00:08:39,259
Bueno, no es trivial.

257
00:08:39,259 --> 00:08:41,720
Pero las herramientas son cada vez más accesibles.

258
00:08:41,879 --> 00:08:44,740
La fuente menciona su tech stack, su pila

259
00:08:44,740 --> 00:08:45,419
tecnológica.

260
00:08:45,460 --> 00:08:45,960
A ver.

261
00:08:46,240 --> 00:08:49,019
Usan Vosgres con PG Vector para los vectores,

262
00:08:49,139 --> 00:08:50,000
como dijimos.

263
00:08:50,259 --> 00:08:53,419
Para el grafo de conocimiento usan Neo4, que

264
00:08:53,419 --> 00:08:55,100
es como el estándar de la industria.

265
00:08:55,360 --> 00:08:57,340
Y todo el cerebro de la gente lo

266
00:08:57,340 --> 00:08:59,159
montan con una librería de Python que se

267
00:08:59,159 --> 00:09:01,679
llama Pydantic A, servido con FastTP.

268
00:09:02,019 --> 00:09:02,539
Vale.

269
00:09:02,759 --> 00:09:05,440
Son herramientas más o menos conocidas en el

270
00:09:05,440 --> 00:09:05,820
mundillo.

271
00:09:06,059 --> 00:09:07,480
Sí, no es nada esotérico.

272
00:09:08,480 --> 00:09:09,240
¿Qué es lo que se usa para montar

273
00:09:09,240 --> 00:09:09,240
un sistema así?

274
00:09:09,240 --> 00:09:10,440
La tecnología es solo una parte.

275
00:09:10,960 --> 00:09:13,340
Lo que más me intriga es cómo le

276
00:09:13,340 --> 00:09:16,039
dices a la gente cuándo usar cada herramienta,

277
00:09:16,059 --> 00:09:18,919
cómo se le dan esas instrucciones, esas reglas.

278
00:09:19,139 --> 00:09:20,460
Esa es la pregunta del millón.

279
00:09:20,799 --> 00:09:22,639
Y la respuesta está en lo que se

280
00:09:22,639 --> 00:09:23,740
llama el System Prompt.

281
00:09:24,000 --> 00:09:26,080
¿El Prompt de Sistema?

282
00:09:26,440 --> 00:09:28,200
¿Las instrucciones iniciales?

283
00:09:28,279 --> 00:09:28,779
Justo.

284
00:09:29,139 --> 00:09:31,500
Es el conjunto de instrucciones que guían todo

285
00:09:31,500 --> 00:09:32,860
el comportamiento de la gente.

286
00:09:33,179 --> 00:09:34,779
Es como su constitución.

287
00:09:34,980 --> 00:09:37,879
El desarrollador define ahí las reglas de razonamiento.

288
00:09:38,120 --> 00:09:39,059
Dame un ejemplo.

289
00:09:39,240 --> 00:09:40,000
¿Qué es una de esas reglas?

290
00:09:40,240 --> 00:09:42,700
La fuente cita uno muy claro de su

291
00:09:42,700 --> 00:09:43,379
propio proyecto.

292
00:09:43,639 --> 00:09:46,379
Le dicen algo como, usa el grafo de

293
00:09:46,379 --> 00:09:48,980
conocimiento solo cuando el usuario pregunte por dos

294
00:09:48,980 --> 00:09:50,360
empresas en la misma pregunta.

295
00:09:50,600 --> 00:09:52,720
En caso contrario, usa la base de datos

296
00:09:52,720 --> 00:09:53,279
vectorial.

297
00:09:53,620 --> 00:09:55,639
Combina ambas solo si se te pide explícitamente.

298
00:09:56,340 --> 00:09:58,419
O sea que es bastante explícito.

299
00:09:58,539 --> 00:09:59,340
No es magia.

300
00:09:59,519 --> 00:10:00,159
Para nada.

301
00:10:00,279 --> 00:10:03,639
Es un trabajo de ingeniería de prompts muy

302
00:10:03,639 --> 00:10:04,340
cuidadoso.

303
00:10:04,480 --> 00:10:06,399
Tienes que pensar en los casos de uso

304
00:10:06,399 --> 00:10:08,779
y traducirlos a instrucciones claras para la IA.

305
00:10:09,240 --> 00:10:11,139
Y este prompt, claro, tienes que adaptarlo a

306
00:10:11,139 --> 00:10:12,720
tus datos y a tu problema concreto.

307
00:10:13,200 --> 00:10:13,659
Claro.

308
00:10:13,720 --> 00:10:16,019
Me imagino que es un punto muy delicado.

309
00:10:16,259 --> 00:10:18,399
Si el prompt es ambiguo o te dejas

310
00:10:18,399 --> 00:10:21,159
fuera un caso importante, el agente puede tomar

311
00:10:21,159 --> 00:10:22,340
una decisión equivocada.

312
00:10:22,759 --> 00:10:23,220
Totalmente.

313
00:10:23,399 --> 00:10:24,840
Es un proceso iterativo.

314
00:10:25,220 --> 00:10:28,019
Pruebas, ves dónde fallar y refinas las instrucciones.

315
00:10:28,240 --> 00:10:29,580
No hay una solución universal.

316
00:10:29,919 --> 00:10:32,879
Y como apunte final, hay un detalle en

317
00:10:32,879 --> 00:10:34,600
el material que es fascinante.

318
00:10:35,139 --> 00:10:37,279
Sobre cómo se construyó este proyecto.

319
00:10:37,620 --> 00:10:37,879
¿Ah, sí?

320
00:10:39,240 --> 00:10:40,700
Es una capa meta que te deja pensando,

321
00:10:40,960 --> 00:10:41,440
la verdad.

322
00:10:42,000 --> 00:10:42,519
Cuéntalo.

323
00:10:42,679 --> 00:10:45,039
El autor del proyecto comenta que para crear

324
00:10:45,039 --> 00:10:48,000
gran parte del agente, utilizó un asistente de

325
00:10:48,000 --> 00:10:49,139
codificación de IA.

326
00:10:49,240 --> 00:10:50,480
Usó Cloud Code.

327
00:10:51,059 --> 00:10:53,720
Espera, ¿me estás diciendo que usó una IA

328
00:10:53,720 --> 00:10:55,340
para programar esta otra IA?

329
00:10:55,480 --> 00:10:57,620
Una IA construyendo a otra IA.

330
00:10:57,639 --> 00:10:59,500
Pero lo increíble no es solo eso, es

331
00:10:59,500 --> 00:11:00,240
cómo lo hizo.

332
00:11:00,419 --> 00:11:00,700
¿Cómo?

333
00:11:00,919 --> 00:11:03,220
No le fue dando órdenes paso a paso

334
00:11:03,220 --> 00:11:04,600
en plan, ahora escribe esta función.

335
00:11:04,759 --> 00:11:05,000
No.

336
00:11:05,120 --> 00:11:08,019
El propio proceso de desarrollo fue agéntico.

337
00:11:08,240 --> 00:11:09,000
¿Qué quieres decir?

338
00:11:09,000 --> 00:11:09,419
¿Qué quieres decir con eso?

339
00:11:09,580 --> 00:11:11,340
Pues que le dio al asistente de codificación

340
00:11:11,340 --> 00:11:13,279
un plan de alto nivel, una lista de

341
00:11:13,279 --> 00:11:15,019
tareas y unas reglas generales.

342
00:11:15,059 --> 00:11:15,779
¿Y con eso?

343
00:11:15,899 --> 00:11:16,980
¿Lo dejó trabajar solo?

344
00:11:17,159 --> 00:11:19,720
Lo dejó trabajar solo durante largos periodos.

345
00:11:19,820 --> 00:11:21,700
La fuente habla de una sesión de 35

346
00:11:21,700 --> 00:11:23,500
minutos seguidos en la que la IA estuvo

347
00:11:23,500 --> 00:11:26,679
escribiendo código, creando las bases de datos, validando

348
00:11:26,679 --> 00:11:27,200
su trabajo.

349
00:11:27,500 --> 00:11:28,179
¡Madre mía!

350
00:11:28,340 --> 00:11:30,679
Es un agente de IA que, de forma

351
00:11:30,679 --> 00:11:33,539
autónoma, construye otro agente de IA.

352
00:11:33,679 --> 00:11:36,059
Es una muñeca rusa de inteligencia artificial.

353
00:11:36,460 --> 00:11:38,980
Así que, ¿cuál es…?

354
00:11:39,000 --> 00:11:41,899
¿Cuál es la gran conclusión de todo esto,

355
00:11:42,019 --> 00:11:43,700
la idea con la que nos tenemos que

356
00:11:43,700 --> 00:11:43,940
quedar?

357
00:11:44,360 --> 00:11:46,960
Pues yo diría que la idea principal es

358
00:11:46,960 --> 00:11:48,799
que estamos yendo más allá de la simple

359
00:11:48,799 --> 00:11:50,259
recuperación de información.

360
00:11:50,899 --> 00:11:54,440
La combinación de este enfoque agéntico, con múltiples

361
00:11:54,440 --> 00:11:57,179
formas de ver el conocimiento, vectores y grafos,

362
00:11:57,299 --> 00:11:59,799
permite a las IAs no sólo recuperar datos,

363
00:12:00,000 --> 00:12:03,000
sino hacerlo de una forma mucho más inteligente.

364
00:12:03,179 --> 00:12:04,840
¿Mucho más humana?

365
00:12:04,980 --> 00:12:07,799
Eligiendo la herramienta adecuada para cada tarea, como

366
00:12:07,799 --> 00:12:08,639
haría un experto.

367
00:12:08,639 --> 00:12:09,440
Exacto.

368
00:12:09,440 --> 00:12:11,799
Ya no se trata sólo de buscar, se

369
00:12:11,799 --> 00:12:12,919
trata de investigar.

370
00:12:13,000 --> 00:12:14,899
Y esto me lleva a una reflexión final,

371
00:12:15,059 --> 00:12:18,019
un pensamiento un poco provocador.

372
00:12:18,679 --> 00:12:21,899
Si un agente de IA ya puede aprender

373
00:12:21,899 --> 00:12:24,919
a elegir la mejor herramienta para buscar en

374
00:12:24,919 --> 00:12:27,259
la información que le damos… ¿Qué pasará cuando

375
00:12:27,259 --> 00:12:30,039
empiece a cuestionar la calidad de esas fuentes

376
00:12:30,039 --> 00:12:31,100
que le proporcionamos?

377
00:12:31,659 --> 00:12:34,500
¿Cuándo pasará de ser un recuperador de datos

378
00:12:34,500 --> 00:12:38,259
a un evaluador crítico del conocimiento?

379
00:12:38,639 --> 00:12:41,580
Nos despedimos por hoy, recordándoos que las voces

380
00:12:41,580 --> 00:12:44,019
que escuchas han sido generadas por una IA,

381
00:12:44,120 --> 00:12:45,159
Notebook LM.

382
00:12:45,580 --> 00:12:48,059
Aunque el podcast no carece del factor humano,

383
00:12:48,120 --> 00:12:50,659
porque en la trastienda está Julio Pablo Vázquez,

384
00:12:50,799 --> 00:12:54,159
que investiga buscando temas interesantes que traeros prácticamente

385
00:12:54,159 --> 00:12:55,080
todos los días.

386
00:12:55,220 --> 00:12:56,279
Os manda saludos.

387
00:12:56,299 --> 00:12:58,240
Hasta el próximo episodio, queridos humanos.

388
00:13:09,490 --> 00:13:11,690
Y hasta aquí el episodio de hoy.

389
00:13:11,809 --> 00:13:13,549
Muchas gracias por tu atención.

390
00:13:23,179 --> 00:13:25,039
Esto es BIMPRAXIS.

391
00:13:26,779 --> 00:13:27,840
El próximo episodio.