1
00:00:10,000 --> 00:00:15,800
Buenas, esto es BIMPRAXIS, el podcast donde el

2
00:00:15,800 --> 00:00:17,920
BIM se encuentra con la inteligencia artificial.

3
00:00:20,519 --> 00:00:23,620
Exploramos la ciencia, la tecnología y el futuro

4
00:00:23,620 --> 00:00:26,559
desde el enfoque de la arquitectura, ingeniería y

5
00:00:26,559 --> 00:00:27,179
construcción.

6
00:00:28,859 --> 00:00:29,519
¡Empezamos!

7
00:00:37,359 --> 00:00:39,179
Muy buenas y bienvenidos.

8
00:00:39,179 --> 00:00:41,140
Hoy nos vamos a sumergir en algo que

9
00:00:41,140 --> 00:00:43,899
yo creo muchos tienen en mente.

10
00:00:44,140 --> 00:00:46,979
¿Cómo se aprende de verdad sobre inteligencia artificial

11
00:00:46,979 --> 00:00:48,859
en, bueno, ya en 2024?

12
00:00:50,000 --> 00:00:51,679
Es la pregunta del millón.

13
00:00:51,659 --> 00:00:52,740
Totalmente.

14
00:00:52,740 --> 00:00:55,000
Tenemos sobre la mesa una hoja de ruta,

15
00:00:55,000 --> 00:00:58,060
un plan muy completo de siete pasos, que

16
00:00:58,060 --> 00:01:02,100
promete, oye, guiar a cualquiera desde cero hasta,

17
00:01:02,100 --> 00:01:04,159
quién sabe, una especialización.

18
00:01:04,819 --> 00:01:08,340
Nuestra misión hoy es desgranarlo, analizarlo a fondo

19
00:01:08,340 --> 00:01:10,219
y ver si de verdad es un mapa

20
00:01:10,219 --> 00:01:12,319
útil o si, bueno, se queda en una

21
00:01:12,319 --> 00:01:13,959
lista de buenas intenciones.

22
00:01:13,920 --> 00:01:15,459
Porque, a ver, en un campo que cambia

23
00:01:15,459 --> 00:01:18,519
cada semana, ¿de verdad puede existir una guía

24
00:01:18,519 --> 00:01:19,680
definitiva?

25
00:01:19,620 --> 00:01:21,500
Es que esa es la cuestión clave, sin

26
00:01:21,500 --> 00:01:21,739
duda.

27
00:01:22,219 --> 00:01:25,420
Porque meterse en IA ahora mismo es como

28
00:01:25,420 --> 00:01:27,439
intentar beber de una boca de incendios.

29
00:01:27,640 --> 00:01:29,019
Vaya imagen.

30
00:01:29,019 --> 00:01:29,859
Es que es así.

31
00:01:29,859 --> 00:01:32,900
Hay un tsunami de información, de cursos, de

32
00:01:32,900 --> 00:01:35,000
herramientas, de acrónimos.

33
00:01:35,000 --> 00:01:37,620
Es facilísimo sentirse abrumado y no saber por

34
00:01:37,620 --> 00:01:38,560
dónde empezar.

35
00:01:38,560 --> 00:01:39,840
Ya, por eso.

36
00:01:39,840 --> 00:01:42,219
Lo que me parece interesante de la filosofía

37
00:01:42,219 --> 00:01:44,439
de este plan es que no te lanza

38
00:01:44,439 --> 00:01:46,900
a lo último, a lo más brillante.

39
00:01:47,260 --> 00:01:49,739
Insiste en algo casi olvidado.

40
00:01:49,739 --> 00:01:51,680
Construir unos cimientos sólidos.

41
00:01:51,680 --> 00:01:54,219
Empezar la casa por los conocimientos, no por

42
00:01:54,219 --> 00:01:55,219
el tejado.

43
00:01:55,219 --> 00:01:55,680
Exacto.

44
00:01:55,680 --> 00:01:58,159
Es una idea que veremos repetirse y yo

45
00:01:58,159 --> 00:02:00,400
creo que es el único antídoto real contra

46
00:02:00,400 --> 00:02:01,700
la frustración.

47
00:02:01,700 --> 00:02:02,920
Vale, me gusta esa idea.

48
00:02:02,920 --> 00:02:04,620
Y el plan arranca, como es lógico, con

49
00:02:04,620 --> 00:02:06,739
el paso uno, entender lo básico.

50
00:02:06,739 --> 00:02:07,500
Claro.

51
00:02:07,500 --> 00:02:08,659
El argumento es ese.

52
00:02:08,659 --> 00:02:10,919
Hay que familiarizarse con el vocabulario.

53
00:02:10,919 --> 00:02:11,740
¿Qué es IA?

54
00:02:11,740 --> 00:02:13,419
¿Qué es Machine Learning?

55
00:02:13,419 --> 00:02:14,599
Redes neuronales.

56
00:02:14,599 --> 00:02:15,879
IA generativa.

57
00:02:15,879 --> 00:02:16,620
Agéntica I.

58
00:02:16,620 --> 00:02:19,520
Bueno, los omnipresentes LLMs.

59
00:02:19,520 --> 00:02:20,500
Y lo bueno es que lo hace con

60
00:02:20,500 --> 00:02:23,439
ejemplos muy aterrizados, que se agradece.

61
00:02:23,439 --> 00:02:25,620
En lugar de soltarte una definición de libro,

62
00:02:25,620 --> 00:02:27,759
te dice, a ver, la IA general es

63
00:02:27,759 --> 00:02:30,060
como enseñar a un niño a reconocer animales.

64
00:02:30,060 --> 00:02:30,539
Vale.

65
00:02:30,539 --> 00:02:32,699
Y el machine learning en concreto es como

66
00:02:32,699 --> 00:02:34,759
aprender a montar en bici.

67
00:02:34,759 --> 00:02:36,780
O sea, no te estudias las leyes de

68
00:02:36,780 --> 00:02:40,780
la física, simplemente practicas, te caes, te ajustas

69
00:02:40,780 --> 00:02:43,419
y tu cerebro aprende de la experiencia.

70
00:02:43,419 --> 00:02:46,680
Claro, separa el concepto de la técnica y

71
00:02:46,680 --> 00:02:49,539
una vez entiendes los términos, de repente empiezas

72
00:02:49,539 --> 00:02:51,259
a verlos por todas partes.

73
00:02:51,259 --> 00:02:52,120
Totalmente.

74
00:02:52,120 --> 00:02:54,520
El plan insiste mucho en eso, en conectar

75
00:02:54,520 --> 00:02:56,719
la teoría con el día a día, el

76
00:02:56,719 --> 00:03:00,479
desbloqueo facial del móvil, las recomendaciones de Spotify,

77
00:03:00,479 --> 00:03:01,580
Google Translate.

78
00:03:01,580 --> 00:03:02,620
Exacto.

79
00:03:02,620 --> 00:03:05,879
De repente, esa capa de magia se disueve

80
00:03:05,879 --> 00:03:08,039
un poco y entiendes mejor el mundo en

81
00:03:08,039 --> 00:03:08,719
el que vives.

82
00:03:08,719 --> 00:03:11,400
Y lo fascinante aquí no es sólo acumular

83
00:03:11,400 --> 00:03:14,439
definiciones, es dejar de ser esa persona que

84
00:03:14,439 --> 00:03:17,439
suelta red neuronal en una conversación para parecer

85
00:03:17,439 --> 00:03:19,780
interesante.

86
00:03:19,780 --> 00:03:21,379
Pero que luego no sabe explicarlo.

87
00:03:21,379 --> 00:03:21,659
Justo.

88
00:03:21,659 --> 00:03:23,439
Y se queda en blanco si le piden

89
00:03:23,439 --> 00:03:25,800
que lo explique, aunque sea por encima.

90
00:03:25,800 --> 00:03:28,699
Comprender estos fundamentos te da un mapa mental.

91
00:03:28,699 --> 00:03:31,500
Te permite situar cada noticia, cada herramienta, en

92
00:03:31,500 --> 00:03:32,439
su sitio.

93
00:03:32,439 --> 00:03:34,159
El mundo no sólo cobra más sentido, sino

94
00:03:34,159 --> 00:03:36,340
que se vuelve menos intimidante.

95
00:03:36,340 --> 00:03:36,939
Vale.

96
00:03:36,939 --> 00:03:38,439
Tenemos el mapa mental.

97
00:03:38,439 --> 00:03:40,199
El plan nos lleva al Paso 2.

98
00:03:40,199 --> 00:03:42,280
Aprender a programar con Python.

99
00:03:42,280 --> 00:03:44,240
Lo llama el pinzal del pintor de la

100
00:03:44,240 --> 00:03:44,960
IA.

101
00:03:46,000 --> 00:03:47,960
Pero lanza un mensaje que me parece crucial,

102
00:03:47,960 --> 00:03:49,360
muy tranquilizador.

103
00:03:49,360 --> 00:03:51,039
No hace falta ser un genio de la

104
00:03:51,039 --> 00:03:52,159
programación.

105
00:03:52,159 --> 00:03:54,159
Basta con dominar lo fundamental.

106
00:03:54,159 --> 00:03:55,840
Variables, bucles, funciones.

107
00:03:56,560 --> 00:03:57,599
Es que la idea es esa.

108
00:03:57,599 --> 00:03:59,900
No necesitas saber fabricar un pincel desde cero,

109
00:04:00,379 --> 00:04:02,400
ni entender la química de los pigmentos.

110
00:04:02,400 --> 00:04:04,199
Solo saber sujetarlo.

111
00:04:04,199 --> 00:04:07,139
Solo saber cómo sujetarlo y cómo mezclar los

112
00:04:07,139 --> 00:04:08,979
colores básicos.

113
00:04:08,979 --> 00:04:12,164
Y para eso el plan menciona las librerías

114
00:04:12,164 --> 00:04:13,804
que son como superpoderes.

115
00:04:14,444 --> 00:04:18,144
NumPy para matemáticas y Pandas, que describe genialmente

116
00:04:18,144 --> 00:04:19,864
como Excel con esteroides.

117
00:04:20,624 --> 00:04:22,104
Excel con esteroides, me la quedo.

118
00:04:22,764 --> 00:04:23,844
Es buenísima.

119
00:04:23,784 --> 00:04:24,344
Es que es eso.

120
00:04:24,984 --> 00:04:27,224
Para manipular y analizar datos a lo bestia.

121
00:04:27,724 --> 00:04:29,684
Pero la clave, según el plan, no es

122
00:04:29,684 --> 00:04:31,964
la intensidad, es la constancia.

123
00:04:32,904 --> 00:04:33,644
Cito.

124
00:04:33,164 --> 00:04:36,284
Programar cada día, aunque solo sean 30 minutos.

125
00:04:36,904 --> 00:04:39,724
Y eso conecta con algo fundamental, la mentalidad

126
00:04:39,724 --> 00:04:41,004
de un profesional.

127
00:04:41,504 --> 00:04:42,884
El plan lo dice claro.

128
00:04:42,924 --> 00:04:45,284
Los desarrolladores de verdad buscan cosas en Google

129
00:04:45,284 --> 00:04:46,604
todo el tiempo.

130
00:04:46,664 --> 00:04:48,544
Nadie lo sabe todo de memoria.

131
00:04:48,564 --> 00:04:50,444
O sea que lo importante es entender la

132
00:04:50,444 --> 00:04:53,084
lógica y saber qué es posible.

133
00:04:52,944 --> 00:04:53,344
Exacto.

134
00:04:53,964 --> 00:04:57,324
No memorizar, sino saber qué herramienta usar para

135
00:04:57,324 --> 00:04:58,444
cada tarea.

136
00:04:58,744 --> 00:05:01,304
Y eso nos lleva directos al paso 3,

137
00:05:01,304 --> 00:05:02,144
Machine Learning.

138
00:05:02,164 --> 00:05:05,044
Aquí es donde, según esto, la cosa se

139
00:05:05,044 --> 00:05:05,964
pone seria.

140
00:05:05,964 --> 00:05:07,184
Ahora sí.

141
00:05:07,184 --> 00:05:09,504
Dejamos de ser espectadores y empezamos a ser

142
00:05:09,504 --> 00:05:10,984
creadores.

143
00:05:10,984 --> 00:05:13,324
Se introducen los dos grandes paradigmas.

144
00:05:13,324 --> 00:05:15,704
El supervisado, que es como ser un profesor

145
00:05:15,704 --> 00:05:18,864
con datos etiquetados, y el no supervisado, donde

146
00:05:18,864 --> 00:05:20,744
dejas que el modelo explore por su cuenta

147
00:05:20,744 --> 00:05:21,984
para encontrar patrones.

148
00:05:22,304 --> 00:05:22,744
Justo.

149
00:05:22,744 --> 00:05:24,544
Y los ejemplos son muy claros, ¿no?

150
00:05:24,544 --> 00:05:27,244
Regresión lineal para predecir el precio de una

151
00:05:27,244 --> 00:05:27,684
casa.

152
00:05:27,764 --> 00:05:28,444
Supervisado.

153
00:05:28,444 --> 00:05:30,664
Clasificación para saber si un correo es spam.

154
00:05:30,704 --> 00:05:31,644
También supervisado.

155
00:05:31,944 --> 00:05:33,344
Y luego el clustering, que es lo que

156
00:05:33,344 --> 00:05:36,424
hace Netflix para agruparnos por gustos sin saber

157
00:05:36,424 --> 00:05:38,984
de antemano qué tribus de cinéfilos hay.

158
00:05:38,984 --> 00:05:40,504
Que eso es no supervisado.

159
00:05:40,504 --> 00:05:41,184
Perfecto.

160
00:05:41,164 --> 00:05:41,704
Vale.

161
00:05:41,704 --> 00:05:44,864
Entiendo la idea de aprender con ejemplos.

162
00:05:44,864 --> 00:05:47,604
Pero suena casi demasiado fácil.

163
00:05:47,844 --> 00:05:51,264
¿Qué impide que el modelo simplemente se memorice

164
00:05:51,264 --> 00:05:54,744
las respuestas como un mal estudiante y luego

165
00:05:54,744 --> 00:05:56,524
no sepa qué hacer con una pregunta nueva?

166
00:05:56,984 --> 00:05:59,104
Acabas de poner el dedo en la llaga.

167
00:05:59,224 --> 00:06:01,384
Has tocado uno de los mayores desafíos del

168
00:06:01,384 --> 00:06:04,544
machine learning, el overfitting o sobreajuste.

169
00:06:05,524 --> 00:06:06,244
Ahí está el lío.

170
00:06:06,824 --> 00:06:08,984
Aquí es donde se pone de verdad interesante.

171
00:06:10,024 --> 00:06:12,144
El plan lo explica con esa misma analogía.

172
00:06:12,744 --> 00:06:15,004
El estudiante que se memoriza el libro.

173
00:06:15,524 --> 00:06:17,884
Saca un 10 y las preguntas son idénticas.

174
00:06:17,844 --> 00:06:20,344
Pero si le cambias una coma, se desmorona.

175
00:06:20,044 --> 00:06:20,764
Se desmorona.

176
00:06:21,544 --> 00:06:23,884
Pues un modelo sobreajustado es igual.

177
00:06:24,084 --> 00:06:25,824
Funciona perfecto con los datos que ya ha

178
00:06:25,824 --> 00:06:26,504
visto.

179
00:06:26,704 --> 00:06:29,744
pero fracasa estrepitosamente con datos nuevos del mundo

180
00:06:29,744 --> 00:06:31,844
real, que es para lo que lo queremos.

181
00:06:32,224 --> 00:06:35,344
Entonces, ¿cómo evitas que el modelo haga trampas?

182
00:06:35,344 --> 00:06:36,384
¿Cuál es la solución?

183
00:06:36,404 --> 00:06:39,704
Pues la principal estrategia es dividir los datos.

184
00:06:40,384 --> 00:06:42,804
O sea, le escondes una parte, el conjunto

185
00:06:42,804 --> 00:06:45,084
de prueba, y no se la enseñas mientras

186
00:06:45,084 --> 00:06:45,524
entrena.

187
00:06:46,504 --> 00:06:49,764
Como guardar preguntas secretas para el examen final.

188
00:06:49,704 --> 00:06:50,124
Exacto.

189
00:06:50,124 --> 00:06:52,744
Y solo cuando el modelo está entrenado, le

190
00:06:52,744 --> 00:06:54,684
pasas esa prueba, para ver si de verdad

191
00:06:54,684 --> 00:06:57,364
ha aprendido o si solo ha memorizado.

192
00:06:57,884 --> 00:07:00,104
Además, el plan insiste en no fiarse de

193
00:07:00,104 --> 00:07:01,284
una sola métrica.

194
00:07:01,684 --> 00:07:04,344
El ejemplo del detector de spam es brillante.

195
00:07:04,264 --> 00:07:04,964
A ver.

196
00:07:05,124 --> 00:07:07,024
Un modelo que clasifica el 100% de los

197
00:07:07,024 --> 00:07:10,464
correos como no spam tendría una precisión altísima,

198
00:07:10,464 --> 00:07:13,844
del 99%, si solo el 1% del correo

199
00:07:13,844 --> 00:07:14,244
es malo.

200
00:07:14,864 --> 00:07:16,384
Pero sería completamente inútil.

201
00:07:17,024 --> 00:07:18,904
Claro, porque no detectaría ninguno de los que

202
00:07:18,904 --> 00:07:19,904
importan.

203
00:07:19,584 --> 00:07:19,944
Exacto.

204
00:07:20,564 --> 00:07:22,524
Hay que usar métricas que entiendan el contexto

205
00:07:22,524 --> 00:07:23,524
del problema.

206
00:07:23,404 --> 00:07:24,304
Entendido.

207
00:07:24,304 --> 00:07:28,044
Así que el Machine Learning tradicional es enseñar

208
00:07:28,044 --> 00:07:29,144
con ejemplos claros.

209
00:07:29,704 --> 00:07:31,984
Pero, ¿qué pasa cuando los problemas son tan

210
00:07:31,984 --> 00:07:35,064
complejos como reconocer una cara o entender el

211
00:07:35,064 --> 00:07:36,144
sarcasmo?

212
00:07:36,124 --> 00:07:38,724
Que ni un humano podría escribir las reglas.

213
00:07:38,724 --> 00:07:40,484
Ahí necesitamos algo más potente, ¿no?

214
00:07:40,984 --> 00:07:42,324
Y eso nos lleva al Deep Learning.

215
00:07:42,904 --> 00:07:44,004
Exactamente.

216
00:07:44,004 --> 00:07:46,604
El paso 4, Deep Learning y redes neuronales.

217
00:07:46,604 --> 00:07:48,644
Es la evolución natural.

218
00:07:48,704 --> 00:07:50,664
La analogía del plan es pasar de la

219
00:07:50,664 --> 00:07:52,884
aritmética básica al cálculo.

220
00:07:52,664 --> 00:07:53,544
Vaya salto.

221
00:07:53,624 --> 00:07:54,684
Es que lo es.

222
00:07:54,684 --> 00:07:57,804
Son arquitecturas de modelos inspiradas muy libremente en

223
00:07:57,804 --> 00:08:00,944
el cerebro, con muchísimas capas que permiten aprender

224
00:08:00,944 --> 00:08:03,684
patrones increíblemente complejos.

225
00:08:03,764 --> 00:08:06,764
Es la tecnología detrás del reconocimiento facial, la

226
00:08:06,764 --> 00:08:09,304
traducción, los coches autónomos.

227
00:08:08,984 --> 00:08:11,704
Aquí es donde aparecen nombres como CNN para

228
00:08:11,704 --> 00:08:15,464
imágenes y los Transformers para el lenguaje, que

229
00:08:15,464 --> 00:08:18,004
son la arquitectura de ChatGPT.

230
00:08:17,844 --> 00:08:19,004
Esos mismos.

231
00:08:19,004 --> 00:08:21,344
Espera, lo de los Transformers siempre me ha

232
00:08:21,344 --> 00:08:22,284
fascinado.

233
00:08:22,504 --> 00:08:24,708
El plan pone una frase de ejemplo.

234
00:08:24,708 --> 00:08:26,528
El animal no cruzó la calle porque estaba

235
00:08:26,528 --> 00:08:28,008
demasiado cansado.

236
00:08:28,008 --> 00:08:30,348
Y dice que un Transformer sabe que estaba,

237
00:08:30,348 --> 00:08:32,308
se refiere al animal, y no a la

238
00:08:32,308 --> 00:08:33,048
calle.

239
00:08:34,269 --> 00:08:34,928
Ajá.

240
00:08:35,009 --> 00:08:36,428
Esto me acaba de hacer clic.

241
00:08:36,428 --> 00:08:38,349
O sea, no es que la IA entienda

242
00:08:38,349 --> 00:08:39,649
como nosotros.

243
00:08:39,649 --> 00:08:42,488
Es que es increíblemente buena calculando las probabilidades

244
00:08:42,488 --> 00:08:44,868
de qué palabra se relaciona con cuál.

245
00:08:44,428 --> 00:08:45,969
Has dado en el clavo.

246
00:08:45,969 --> 00:08:48,428
Es pura estadística imitando la intuición.

247
00:08:48,428 --> 00:08:49,149
Fascinante.

248
00:08:49,149 --> 00:08:50,488
Y un poco inquietante, ¿no?

249
00:08:50,788 --> 00:08:51,928
Un poco.

250
00:08:51,928 --> 00:08:53,548
Y el metanismo por el que prenden se

251
00:08:53,548 --> 00:08:55,149
llama back propagation.

252
00:08:55,408 --> 00:08:56,868
La analogía que usan es la de un

253
00:08:56,868 --> 00:08:57,688
arquero.

254
00:08:57,868 --> 00:08:59,688
La red hace una predicción, ve lo lejos

255
00:08:59,688 --> 00:09:01,448
que ha quedado de la diana, y usa

256
00:09:01,448 --> 00:09:03,428
ese error para ajustar un poquito todos sus

257
00:09:03,428 --> 00:09:05,828
parámetros hacia atrás, capa por capa.

258
00:09:05,948 --> 00:09:07,788
Para que la siguiente flecha vaya un poco

259
00:09:07,788 --> 00:09:08,628
mejor.

260
00:09:08,509 --> 00:09:09,568
Justo.

261
00:09:09,568 --> 00:09:11,868
Ahora imagina repetir eso millones de veces.

262
00:09:11,908 --> 00:09:14,788
Y para no volvernos locos, el plan menciona

263
00:09:14,788 --> 00:09:18,308
herramientas como PyTorch y TensorFlow, que son como

264
00:09:18,308 --> 00:09:19,628
kits de construcción de Lego.

265
00:09:20,428 --> 00:09:21,868
Te dan los bloques ya hechos.

266
00:09:22,288 --> 00:09:22,729
Exacto.

267
00:09:22,729 --> 00:09:24,828
Para que tú te centres en diseñar el

268
00:09:24,828 --> 00:09:26,649
castillo, no en fabricar cada ladrillo.

269
00:09:27,668 --> 00:09:29,828
Bien, ya tenemos la base teórica.

270
00:09:29,828 --> 00:09:34,089
Conceptos, Python, ML, DL… Pero la fuente insiste

271
00:09:34,089 --> 00:09:35,908
en algo que es de sentido común, pero

272
00:09:35,908 --> 00:09:37,288
que a menudo se olvida.

273
00:09:37,469 --> 00:09:39,128
Toda la teoría no sirve de nada si

274
00:09:39,128 --> 00:09:40,849
no construyes algo real.

275
00:09:40,808 --> 00:09:41,649
Amén.

276
00:09:41,328 --> 00:09:43,128
Y con esto entramos en la segunda mitad

277
00:09:43,128 --> 00:09:44,988
del viaje que va de la teoría a

278
00:09:44,988 --> 00:09:49,048
la práctica, empezando con el paso 5, proyectos.

279
00:09:49,048 --> 00:09:51,609
Este paso es para mí el más importante.

280
00:09:51,609 --> 00:09:53,589
Es la diferencia entre saberse los acordes y

281
00:09:53,589 --> 00:09:55,729
poder tocar una canción delante de gente.

282
00:09:55,668 --> 00:09:57,469
Es donde se solidifica todo.

283
00:09:57,469 --> 00:09:59,229
Totalmente.

284
00:09:59,229 --> 00:10:02,488
Y el plan sugiere empezar con proyectos clásicos,

285
00:10:02,488 --> 00:10:03,988
pero que enseñan mucho.

286
00:10:03,988 --> 00:10:06,708
Un clasificador de perros y gatos, un analizador

287
00:10:06,708 --> 00:10:10,269
de sentimiento, un detector de noticias falsas.

288
00:10:10,269 --> 00:10:12,988
Suena asequible, pero te obliga a ensuciarte las

289
00:10:12,988 --> 00:10:13,769
manos.

290
00:10:13,808 --> 00:10:15,389
Y ahí está la clave.

291
00:10:15,389 --> 00:10:17,428
Lo que te enseñan los proyectos es lo

292
00:10:17,428 --> 00:10:19,188
que no te enseñan los cursos.

293
00:10:19,188 --> 00:10:20,828
Te lo digo por experiencia.

294
00:10:20,828 --> 00:10:23,748
Mi primer proyecto fue un clasificador de sentimiento.

295
00:10:23,748 --> 00:10:24,849
Y los datos.

296
00:10:24,849 --> 00:10:27,269
Los datos del mundo real eran un desastre.

297
00:10:27,229 --> 00:10:27,668
¿Ah, sí?

298
00:10:27,808 --> 00:10:31,729
Abreviaturas, sarcasmo, erratas, emojis.

299
00:10:31,729 --> 00:10:35,109
Pasé el 80% del tiempo limpiando datos.

300
00:10:35,109 --> 00:10:37,168
Es la parte menos glamurosa y sin duda

301
00:10:37,168 --> 00:10:38,688
la más importante.

302
00:10:38,688 --> 00:10:41,048
Ningún curso te prepara para ese caos.

303
00:10:40,568 --> 00:10:41,908
Claro.

304
00:10:41,908 --> 00:10:44,368
Aprendes a depurar, a ser paciente y a

305
00:10:44,368 --> 00:10:45,408
persistir.

306
00:10:45,408 --> 00:10:47,548
Por eso el consejo del plan es oro.

307
00:10:47,548 --> 00:10:50,208
Documenta todo en un portafolio, en GitHub o

308
00:10:50,208 --> 00:10:51,248
en un blog.

309
00:10:51,248 --> 00:10:54,109
Es tu prueba de que sabes hacer cosas,

310
00:10:54,109 --> 00:10:56,168
no solo de que sabes teoría.

311
00:10:56,168 --> 00:10:58,489
Y de construir tus cosas, pasamos a usar

312
00:10:58,489 --> 00:11:01,109
las herramientas más potentes del momento.

313
00:11:01,109 --> 00:11:02,349
Paso 6.

314
00:11:02,349 --> 00:11:05,729
Herramientas de IA generativa y LLMs.

315
00:11:05,448 --> 00:11:07,028
La vanguardia.

316
00:11:07,009 --> 00:11:08,528
Aquí nos metemos ya en lo que está

317
00:11:08,528 --> 00:11:09,828
en boca de todos.

318
00:11:09,668 --> 00:11:12,149
Chat GPT, mi journey runway.

319
00:11:12,389 --> 00:11:14,868
Y se enfoca en dos conceptos clave, embeddings

320
00:11:14,868 --> 00:11:16,408
y prompt engineering.

321
00:11:16,628 --> 00:11:18,628
Los embeddings son, en esencia, la forma que

322
00:11:18,628 --> 00:11:20,528
tiene la IA de convertir el significado en

323
00:11:20,528 --> 00:11:21,589
matemáticas.

324
00:11:21,688 --> 00:11:23,808
Cada concepto es un vector, una lista de

325
00:11:23,808 --> 00:11:24,568
números.

326
00:11:24,568 --> 00:11:26,688
Y lo alucinante es que conceptos cercanos tienen

327
00:11:26,188 --> 00:11:28,948
vectores matemáticamente cercanos.

328
00:11:28,828 --> 00:11:31,288
Es lo que permite entender que rey es

329
00:11:31,288 --> 00:11:32,948
a reina, lo que hombre es a.

330
00:11:33,328 --> 00:11:34,489
A mujer.

331
00:11:34,368 --> 00:11:36,649
Es pura matemática relacional.

332
00:11:36,828 --> 00:11:38,589
Y el prompt engineering es lo que el

333
00:11:38,589 --> 00:11:40,509
plan llama el arte de hablar con la

334
00:11:40,509 --> 00:11:40,628
IA.

335
00:11:41,009 --> 00:11:43,928
Y el ejemplo que da es buenísimo.

336
00:11:44,188 --> 00:11:46,868
No es lo mismo pedir, háblame de historia,

337
00:11:46,868 --> 00:11:49,969
que explica la caída del imperio romano para

338
00:11:49,969 --> 00:11:52,328
un niño de 10 años, centrándote en los

339
00:11:52,328 --> 00:11:53,948
factores económicos.

340
00:11:53,908 --> 00:11:56,889
Claro, es que la diferencia es abismal.

341
00:11:56,948 --> 00:11:59,969
La especificidad, el contexto, el rol que le

342
00:11:59,969 --> 00:12:01,208
pides que asuma.

343
00:12:01,609 --> 00:12:03,769
todo eso cambia radicalmente la calidad de la

344
00:12:03,769 --> 00:12:04,788
respuesta.

345
00:12:04,868 --> 00:12:07,308
Se convierte en una habilidad en sí misma.

346
00:12:07,269 --> 00:12:08,068
¿Totalmente?

347
00:12:08,168 --> 00:12:10,469
Y lo bueno es que cualquiera puede integrar

348
00:12:10,469 --> 00:12:12,828
esto en sus propias apps con las APIs.

349
00:12:13,109 --> 00:12:15,068
Pero la lección más profunda de este paso

350
00:12:15,068 --> 00:12:17,788
es que no basta con ser un usuario.

351
00:12:17,788 --> 00:12:20,509
Para sacarles partido de verdad, tienes que entender,

352
00:12:20,509 --> 00:12:22,989
aunque sea a nivel conceptual, qué hacen por

353
00:12:22,989 --> 00:12:23,408
debajo.

354
00:12:23,948 --> 00:12:26,349
Y con todo este bagaje, llegamos al final

355
00:12:26,349 --> 00:12:27,408
del camino.

356
00:12:27,628 --> 00:12:28,788
Paso 7.

357
00:12:28,828 --> 00:12:31,128
Especialización y portafolio.

358
00:12:31,288 --> 00:12:32,889
Aquí el plan suelta una verdad un poco

359
00:12:32,889 --> 00:12:33,568
dura.

360
00:12:33,408 --> 00:12:35,193
Ser un aprendiz de todo te convierte en

361
00:12:35,193 --> 00:12:36,493
un maestro de nada.

362
00:12:36,493 --> 00:12:38,653
Es que el campo es demasiado vasto.

363
00:12:38,653 --> 00:12:40,253
Es imposible abarcarlo todo.

364
00:12:40,273 --> 00:12:43,473
Por eso sugiere tres grandes trayectorias.

365
00:12:43,473 --> 00:12:46,453
La primera, ingeniero de IAML.

366
00:12:46,453 --> 00:12:48,873
El perfil que construye y mantiene los sistemas

367
00:12:48,873 --> 00:12:49,893
en producción.

368
00:12:49,893 --> 00:12:53,013
Su obsesión es la escalabilidad, la fiabilidad.

369
00:12:53,013 --> 00:12:55,233
Son los arquitectos de las tuberías por las

370
00:12:55,233 --> 00:12:56,893
que fluyen los datos.

371
00:12:56,893 --> 00:12:59,893
Luego está el científico de datos, este perfil

372
00:12:59,893 --> 00:13:02,153
está más cerca del negocio, ¿no?

373
00:13:02,153 --> 00:13:05,413
Sí, combina análisis con lo cimiento del sector

374
00:13:05,413 --> 00:13:08,753
y machine learning para extraer insights para responder

375
00:13:08,753 --> 00:13:09,893
preguntas.

376
00:13:09,893 --> 00:13:12,073
Son los traductores entre los datos y las

377
00:13:12,073 --> 00:13:13,833
decisiones estratégicas.

378
00:13:13,833 --> 00:13:16,313
Y la tercera, la más nueva, es el

379
00:13:16,313 --> 00:13:19,133
experto en IA generativa.

380
00:13:19,133 --> 00:13:20,793
Ese es quien trabaja en la cresta de

381
00:13:20,793 --> 00:13:24,593
la ola con LLMs, modelos de difusión, agentes,

382
00:13:24,873 --> 00:13:26,373
construyendo lo último.

383
00:13:26,513 --> 00:13:28,513
Pero, ojo, no son cajas cerradas.

384
00:13:28,513 --> 00:13:32,553
Claro, un buen ingeniero necesita entender los datos.

385
00:13:32,593 --> 00:13:35,013
Y un científico de datos se beneficia de

386
00:13:35,013 --> 00:13:37,353
saber poner un modelo en producción.

387
00:13:37,673 --> 00:13:39,673
La diferencia está en el enfoque.

388
00:13:39,993 --> 00:13:43,933
Disfrutas más construyendo la infraestructura o extrayendo la

389
00:13:43,933 --> 00:13:45,293
historia que cuentan los datos.

390
00:13:46,153 --> 00:13:48,153
Entonces, la gran pregunta.

391
00:13:48,453 --> 00:13:50,153
¿Cómo elegir un camino?

392
00:13:50,273 --> 00:13:52,033
¿Qué consejo da el plan?

393
00:13:51,553 --> 00:13:55,093
El consejo es simple y, creo, muy profundo.

394
00:13:55,093 --> 00:13:57,713
Sigue tu curiosidad genuina.

395
00:13:58,953 --> 00:14:01,313
La IA evoluciona a una velocidad de vértigo.

396
00:14:01,313 --> 00:14:02,833
Si no te apasiona tu pequeña parcela, te

397
00:14:02,833 --> 00:14:03,853
vas a quemar.

398
00:14:03,973 --> 00:14:05,573
En cambio, si te fascina la generación de

399
00:14:05,573 --> 00:14:08,313
imágenes, aprender sobre nuevas arquitecturas no te parecerá

400
00:14:08,313 --> 00:14:09,973
trabajo, te parecerá un juego.

401
00:14:09,913 --> 00:14:12,893
Y una vez eliges, tu portafolio debe reflejarlo.

402
00:14:13,133 --> 00:14:14,733
Debe ser el reflejo de esa especialización.

403
00:14:15,473 --> 00:14:17,133
Si quieres ser un experto en procesamiento del

404
00:14:17,133 --> 00:14:19,493
lenguaje natural, tu GitHub debe estar lleno de

405
00:14:19,493 --> 00:14:22,113
proyectos de chatbots, análisis de sentimiento.

406
00:14:22,233 --> 00:14:23,893
Tu portafolio es tu credibilidad.

407
00:14:23,993 --> 00:14:26,693
Entonces, si miramos atrás, hemos recorrido un viaje

408
00:14:26,693 --> 00:14:27,773
completo.

409
00:14:28,053 --> 00:14:29,653
Empezamos con los conceptos.

410
00:14:29,693 --> 00:14:31,753
Aprendimos el lenguaje con Python.

411
00:14:31,793 --> 00:14:34,793
Nos adentramos en Machine Learning y Deep Learning.

412
00:14:34,813 --> 00:14:37,093
Y luego pasamos a la acción con proyectos,

413
00:14:37,093 --> 00:14:39,493
para finalmente encontrar nuestro sitio.

414
00:14:39,413 --> 00:14:41,213
El mapa va desde un simple ¿qué es

415
00:14:41,213 --> 00:14:41,553
la IA?

416
00:14:41,553 --> 00:14:44,253
hasta un contundente este es mi portafolio como

417
00:14:44,253 --> 00:14:45,273
especialista.

418
00:14:45,273 --> 00:14:47,493
Y el plan concluye con unas reflexiones muy

419
00:14:47,493 --> 00:14:49,213
honestas, muy necesarias.

420
00:14:49,213 --> 00:14:49,853
Sí.

421
00:14:49,853 --> 00:14:51,353
Primero, que esto no es un sprint de

422
00:14:51,353 --> 00:14:54,333
30 días, es una maratón que requiere constancia.

423
00:14:54,333 --> 00:14:56,693
Segundo, que sentirse abrumado es la norma.

424
00:14:56,693 --> 00:14:57,893
Nadie lo sabe todo.

425
00:14:57,893 --> 00:14:59,573
Eso libera mucha presión.

426
00:14:59,673 --> 00:15:01,313
Y tercero, y para mí esta es la

427
00:15:01,313 --> 00:15:04,193
idea más potente de todas, no necesitas saberlo

428
00:15:04,193 --> 00:15:06,133
todo para empezar a crear valor.

429
00:15:06,133 --> 00:15:08,693
Solo necesitas saber lo suficiente para resolver el

430
00:15:08,693 --> 00:15:10,393
problema que tienes delante.

431
00:15:09,953 --> 00:15:12,693
El aprendizaje real viene de ahí, de resolver

432
00:15:12,693 --> 00:15:14,073
problemas concretos.

433
00:15:14,153 --> 00:15:15,253
Exacto.

434
00:15:14,833 --> 00:15:17,173
Es un mensaje muy poderoso, la verdad, y

435
00:15:17,173 --> 00:15:19,133
ver a esa presión de tener que ser

436
00:15:19,133 --> 00:15:21,353
un experto antes de empezar.

437
00:15:21,473 --> 00:15:23,313
El plan termina con la predicción de que,

438
00:15:23,313 --> 00:15:26,233
en pocos años, la alfabetización en IA será

439
00:15:26,233 --> 00:15:29,453
tan fundamental como lo es hoy la informática.

440
00:15:29,613 --> 00:15:31,473
Lo cual nos deja con una última reflexión

441
00:15:31,473 --> 00:15:32,393
para quien nos escucha.

442
00:15:33,073 --> 00:15:35,353
Teniendo esta hoja de ruta, que parece bastante

443
00:15:35,353 --> 00:15:37,933
coherente y accionable, cuál podría ser el primero

444
00:15:37,933 --> 00:15:40,133
y más pequeño paso a dar hoy mismo

445
00:15:40,133 --> 00:15:41,713
para empezar este viaje.

446
00:15:41,713 --> 00:15:45,253
Y quizás más importante, qué proyecto personal, por

447
00:15:45,253 --> 00:15:48,313
muy simple que sea, analizar tus gastos, crear

448
00:15:48,313 --> 00:15:51,973
un recomendador de libros, generar imágenes, despertaría esa

449
00:15:51,973 --> 00:15:54,273
curiosidad inicial para ponerse en marcha.

450
00:16:05,713 --> 00:16:08,113
Y hasta aquí el episodio de hoy Muchas

451
00:16:08,113 --> 00:16:21,553
gracias por tu atención Esto es BIMPRAXIS Nos

452
00:16:21,553 --> 00:16:44,493
escuchamos en el próximo episodio ¡Suscríbete al canal!