Qué es la IA generativa
Qué es la IA generativa · 12 min
Este video explica cómo se construyen y entrenan los modelos de lenguaje grandes como Claude, y qué significa eso para lo que pueden —y no pueden— hacer de manera confiable cuando los pones a trabajar en tu negocio.
Puntos clave
- La IA generativa crea contenido nuevo en lugar de analizar datos existentes.
- Tres desarrollos hicieron posibles los LLM modernos: la arquitectura transformer, datos de entrenamiento masivos y una enorme capacidad de cómputo.
- El entrenamiento tiene dos etapas. El preentrenamiento aprende patrones a partir de miles de millones de ejemplos. El fine-tuning enseña al modelo a seguir instrucciones de manera útil.
- Las fortalezas actuales incluyen versatilidad en distintas tareas, fluidez conversacional y uso de herramientas.
- Los límites actuales incluyen cortes de conocimiento, alucinaciones y un razonamiento complejo poco confiable.
- Las mejores aplicaciones combinan tu criterio, creatividad y supervisión con la velocidad y escala de la IA.
Ejercicio
Poniendo a prueba los límites
Este ejercicio te da evidencia de primera mano sobre qué hace bien la IA generativa y dónde falla, usando un problema de programación que ya conoces a la perfección, para que tengas una verificación concreta, basada en tus propias observaciones, al decidir en qué confiarle a la IA.
Parte I: Autorreflexión (por tu cuenta)
Elige un dominio de programación que conozcas bien, donde detectarías un error de inmediato. Anota:
- El tema (por ejemplo, tu lógica de limitación de velocidad, cómo manejas el estado asíncrono, la consulta a la base de datos que optimizaste el trimestre pasado)
- Dos o tres cosas al respecto que cualquier ingeniero competente debería hacer bien
- Un malentendido común o un detalle de implementación complicado
- Algo que haya cambiado recientemente: una actualización de biblioteca, una obsolescencia o una nueva mejor práctica
Parte II: Colaboración (con IA)
Abre una conversación con Claude (o cualquier asistente de IA que prefieras) y realiza tres chats rápidos. Anota lo que notes después de cada uno.
- Prueba de versatilidad. Pídele a la IA que explique tu tema de tres maneras distintas en una sola respuesta: una vez para un PM no técnico, una vez para un ingeniero de nivel medio que se une a tu equipo, y una vez para un ingeniero senior que hace revisión de código. ¿Los cambios de profundidad realmente se notaron, o solo cambió el vocabulario? ¿Cuál versión fue la más sólida?
- Prueba de alucinación. Pídele a la IA que recomiende bibliotecas, paquetes o documentación específicos para tu problema de programación. Verifica al menos uno: ¿existe? ¿Es precisa la API? ¿Está actualizada la versión?
- Verificación de corte de conocimiento y razonamiento. Pregunta algo sensible al tiempo sobre tu dominio: una actualización reciente de un framework, un patrón obsoleto o un parche de seguridad. ¿Señala que su información podría estar desactualizada, o presenta información obsoleta como si fuera actual? Luego pídele que resuelva el detalle de implementación complicado que anotaste en la Parte I. ¿Realmente resolvió la confusión, o solo repitió la respuesta correcta?
Parte III: Reflexión
¿Qué capacidad del video se mostró con mayor claridad? ¿Qué limitación surgió, y la habrías detectado si este no fuera un dominio que conoces bien? Con base en esto, ¿cuál es una tarea que te sentirías cómodo delegando a la IA, y cuál querrías vigilar más de cerca?
Meta adicional: Ejecuta el mismo tema en una segunda herramienta de IA. ¿Los errores y las fortalezas fueron los mismos?
Reflexión de la lección
- ¿Cómo cambia el saber cómo se entrenan estos sistemas la forma en que trabajarás con ellos?
- ¿Qué consideraciones éticas te vienen a la mente dado cómo funciona la IA generativa y dónde falla?
Qué sigue
Ahora que has puesto a prueba los límites de la IA de primera mano, en la siguiente lección profundizaremos en la primera D: Delegación. Enmarcarás un problema real, lo mapearás a través del conjunto de herramientas del constructor, y tomarás decisiones deliberadas sobre dónde la IA juega un papel, antes de escribir una sola línea de código.