Gen AI Leader
Deep Dive
El vocabulario básico que el examen GENAI-L da por hecho que dominas: cómo se relacionan la inteligencia artificial, el machine learning, el procesamiento de lenguaje natural y la IA generativa, qué es un foundation model, y una distinción clásica de examen — prompt tuning frente a prompt engineering.
Contenido
Estos tres términos se usan a menudo como sinónimos, pero forman una jerarquía de conceptos anidados. La inteligencia artificial (IA) es el campo más amplio: cualquier técnica que permite a un sistema informático imitar capacidades cognitivas humanas, como razonar, aprender o tomar decisiones.
El machine learning (ML) es un subcampo de la IA: en vez de programar reglas explícitas, el sistema aprende patrones a partir de datos de entrenamiento y los usa para hacer predicciones o clasificaciones sobre datos nuevos que no ha visto antes.
El procesamiento de lenguaje natural (NLP) es, a su vez, la aplicación de técnicas de IA/ML específicamente al lenguaje humano: tareas como traducción automática, análisis de sentimiento, clasificación de texto o extracción de entidades son ejemplos clásicos de NLP, muchos de ellos anteriores a la explosión de la IA generativa.
Cómo se anidan
IA ⊃ Machine Learning ⊃ Deep Learning ⊃ Foundation Models ⊃ IA generativa. Cada capa es un subconjunto más específico de la anterior: todo modelo generativo es un modelo de deep learning, todo modelo de deep learning es un modelo de machine learning, y todo machine learning es una forma de IA — pero no toda IA usa machine learning (por ejemplo, un sistema basado en reglas fijas "si-entonces" es IA pero no ML).
La IA generativa (gen AI) es una rama del machine learning centrada en crear contenido nuevo y original —texto, imágenes, audio, video o código— en vez de únicamente clasificar, predecir o detectar patrones sobre datos existentes. La diferencia clave con el ML "tradicional" es que la salida es contenido generado, no una etiqueta o un número.
Un foundation model es un modelo de gran escala, entrenado previamente (pre-entrenado) con enormes volúmenes de datos, diseñado para ser lo suficientemente general como para adaptarse a una amplia variedad de tareas posteriores (generación de texto, resumen, clasificación, generación de código, etc.) sin necesidad de entrenarlo desde cero para cada una.
Foundation models multimodales
Un foundation model multimodal puede procesar y/o generar más de un tipo de dato a la vez —por ejemplo, recibir una imagen y texto juntos, y responder con texto— en vez de estar limitado a una única modalidad de entrada o salida. Gemini es el ejemplo insignia de Google en esta categoría.
Diffusion models
Los diffusion models son una arquitectura usada sobre todo para generación de imágenes y video: aprenden a revertir gradualmente un proceso de "ruido" añadido a un dato de entrenamiento, hasta producir contenido nuevo y coherente a partir de ruido aleatorio guiado por un prompt. Imagen y Veo de Google se basan en este enfoque.
Un large language model (LLM) es un tipo específico de foundation model especializado en texto: entrenado con volúmenes masivos de texto para predecir, token a token, cuál es la continuación más probable de una secuencia dada. Todo LLM es un foundation model, pero no todo foundation model es un LLM —Imagen, por ejemplo, es un foundation model especializado en imágenes, no un LLM.
Relación LLM ↔ foundation model
Piensa en "foundation model" como la categoría general (cualquier modalidad) y "LLM" como el subconjunto centrado exclusivamente en lenguaje. Gemini es un foundation model multimodal que incluye capacidades de LLM, además de poder procesar imagen, audio y video.
Por dentro, un LLM es una red neuronal profunda: los datos fluyen por capas de neuronas que aprenden representaciones cada vez más abstractas, de tokens sueltos a significado. El siguiente diagrama muestra ese flujo (forward pass) en una red neuronal genérica:
Esta distinción aparece con frecuencia en el examen porque los dos términos suenan parecido pero describen procesos técnicamente muy distintos.
Prompt engineering
Es el diseño manual y iterativo del texto del prompt —cómo redactas las instrucciones, qué ejemplos incluyes, en qué orden estructuras la información— para obtener mejores respuestas de un modelo ya entrenado. No implica ningún entrenamiento adicional ni cambio en los parámetros del modelo: es puramente trabajo sobre el texto de entrada. Técnicas como el few-shot prompting o el chain-of-thought prompting son formas de prompt engineering.
Prompt tuning
Es una técnica técnica y automatizada de ajuste fino ligero: en vez de editar el texto del prompt a mano, se entrena un pequeño conjunto de "embeddings de prompt" (vectores adicionales, no legibles como texto) que se anteponen a la entrada del modelo, usando un conjunto de datos de ejemplo. Sí requiere un proceso de entrenamiento, aunque mucho más barato y rápido que reentrenar el modelo completo.
La trampa típica del examen
Si la pregunta describe a alguien reescribiendo o reordenando el texto de sus instrucciones sin ningún proceso de entrenamiento, es prompt engineering. Si describe un proceso que "entrena" o "ajusta" vectores adicionales usando un dataset de ejemplos, sin tocar los pesos del modelo base, es prompt tuning —una forma ligera de fine-tuning.
El examen espera que distingas los tres paradigmas principales de aprendizaje, independientemente de que se use IA generativa o no.
| Enfoque | Cómo aprende | Ejemplo |
|---|---|---|
| Supervisado | Con datos etiquetados: cada ejemplo de entrenamiento incluye la respuesta correcta esperada. | Clasificar correos como spam/no spam a partir de miles de correos ya etiquetados. |
| No supervisado | Con datos no etiquetados: el modelo descubre patrones o agrupaciones por sí mismo, sin respuestas predefinidas. | Agrupar clientes en segmentos de comportamiento de compra similar sin categorías predefinidas. |
| Por refuerzo | Mediante prueba y error: un "agente" recibe recompensas o penalizaciones según sus acciones, y ajusta su comportamiento para maximizar la recompensa acumulada. | Ajustar las respuestas de un LLM con RLHF (reinforcement learning from human feedback) según las preferencias humanas. |
¿Entendiste este tema?
Pon a prueba lo que acabas de aprender
Un equipo de producto quiere mejorar las respuestas de un chatbot corporativo entrenando un pequeño conjunto de vectores adicionales que se anteponen a cada entrada, usando un dataset de conversaciones de ejemplo, sin modificar ni reescribir manualmente el texto de las instrucciones ni los pesos del modelo base. ¿Qué técnica describe mejor este proceso?
Pon a prueba lo que aprendiste con preguntas originales del examen Gen AI Leader.
Iniciar simulacro Gen AI LeaderSin límite de simulacros con plan Pro
Inicia sesión para llevar tu progreso.