Saltar al contenido ForoHackers

IA generativa: por dónde empezar

IA generativa
#346 · Ophuscado · · Denunciar

La IA generativa son modelos que crean contenido nuevo, como texto, imágenes, audio, vídeo o código, aprendiendo la distribución de los datos con que se entrenaron y muestreando de ella. Acelera el borrador, el diseño y los prototipos. La misma capacidad produce falsedades verosímiles y plantea preguntas de procedencia, así que cómo se comprueba, se etiqueta y se usa la salida importa tanto como cómo se produce.

Conceptos clave

  • Modelado generativo: aprender la probabilidad de los datos y luego muestrear ejemplos nuevos de ella.
  • Familias de modelos: modelos autorregresivos, autocodificadores variacionales, redes adversarias y modelos de difusión, cada uno con distinta calidad, velocidad y control.
  • Condicionamiento: dirigir la salida con un prompt, una clase, una imagen o un estilo, a menudo mediante guiado.
  • Espacio latente: una representación comprimida donde el contenido parecido queda cerca, de modo que se puede interpolar y editar.
  • Datos de entrenamiento: la cobertura, los duplicados, las licencias y los sesgos de los datos se notan en la salida.

Vocabulario

  • Muestreo: extraer una salida de la distribución del modelo, con ajustes que controlan el azar.
  • Difusión: generar quitando poco a poco el ruido a partir de un inicio aleatorio.
  • Colapso de modos: un generador que produce solo un conjunto estrecho de salidas.
  • Ingeniería de prompts: dar forma a la entrada para obtener la salida deseada.
  • Datos sintéticos: ejemplos generados que se usan para entrenar o probar otros sistemas.

Qué estudiar, en orden

  1. Probabilidad: distribuciones, verosimilitud y cómo muestrear una sencilla en código.
  2. Entrena un autocodificador pequeño con un conjunto de imágenes y mira su espacio latente.
  3. Implementa un generador autorregresivo mínimo de caracteres o de píxeles.
  4. Estudia cómo funciona la difusión y entrena una diminuta con un conjunto de juguete.
  5. Evalúa las salidas: calidad de las muestras, diversidad, comprobaciones de memorización y una revisión humana con criterios claros.

Etiquetas relacionadas

#deep-learning #llms #ai-evaluation #ai-safety #computer-graphics

Inicia sesión o únete para responder.