Cuando hablemos de Inteligenica Artificial, existen 5 conceptos claves que debes conocer y que veremos y desarrollaremos a lo largo del curso.

Machine Learning (Aprendizaje automático)

• Es la capacidad de las computadoras para aprender de los datos sin estar explícitamente programadas.
• En lugar de seguir instrucciones paso a paso, los algoritmos de Machine Learning identifican patrones en los datos y hacen predicciones o toman decisiones basadas en esos patrones.
• Ejemplo: Un sistema de recomendación de películas que aprende tus preferencias a partir de tu historial de visualizaciones y te sugiere películas que podrían gustarte.

Deep Learning (Aprendizaje profundo)

• Es un tipo de Machine Learning que utiliza redes neuronales artificiales con múltiples capas para analizar datos a diferentes niveles de abstracción.
  
• Inspirado en el cerebro humano, el Deep Learning es especialmente útil para tareas complejas como el reconocimiento de imágenes y el procesamiento del lenguaje natural.
  
• Ejemplo: Un sistema de reconocimiento facial que identifica a las personas en una foto.

LLMs (Modelos de Lenguaje Grande)

• Las LLMs se entrenan con enormes cantidades de datos de texto, como libros, artículos, código y páginas web.
• Este entrenamiento masivo es lo que les permite adquirir un conocimiento amplio del lenguaje y del mundo.
• Ejemplo: Un LLM puede haber sido entrenado con millones de libros, lo que le permite generar texto con diferentes estilos y sobre diversos temas.

Neural Networks (Redes Neuronales)

• Son modelos computacionales inspirados en la estructura del cerebro humano.
• Están compuestas por nodos interconectados (neuronas artificiales) que procesan y transmiten información.
• Ejemplo: Un chatbot que utiliza una red neuronal para comprender tus preguntas y generar respuestas.

RLHF (Aprendizaje por refuerzo con retroalimentación humana)

• Esta técnica «afina» el LLM utilizando la retroalimentación humana para que sus respuestas sean más útiles, precisas y seguras.
• Ejemplo: Se le pide al LLM que genere varias respuestas, evaluadores humanos las clasifican, y el modelo aprende de esa retroalimentación para mejorar.