Saltar al contenido ForoHackers

IA generativa: por dónde empezar

IA generativa
#2852 · · Citar · 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

No has iniciado sesión, así que esto se publica como anónimo: no se guarda con ello ninguna cuenta, nombre ni dirección, y no puede llevar enlaces ni imágenes. Inicia sesión o únete para publicar con tu nombre. Los registros de nuestro servidor web guardan la dirección y la hora de cada petición hasta 14 días; para que la tuya no quede en ellos, usa Tor. Para escribir al equipo de forma confidencial, usa el buzón. Firmar como fuente habitual (una clave guardada solo en este navegador)

Enviar tarda unos segundos aquí: tu navegador resuelve antes una prueba de trabajo contra el spam.

Responder