Categoría
Inteligencia artificial sin hype: modelos, agentes y casos de uso que funcionan en producción.
Ollama hace trivial ejecutar modelos como Llama 2 o Mistral en tu propio ordenador: un binario, un comando y los pesos cuantizados descargándose al disco sin compilar nada. Esta guía cubre la instalación en macOS, Linux y Windows, con una valoración honesta de lo que la inferencia local puede y no puede hacer frente a los modelos de frontera.
El mantenimiento predictivo industrial rara vez necesita deep learning: modelos clásicos como random forests, SVM o modelos de supervivencia resuelven el 80% de los casos. La clave está en el feature engineering sobre señales de vibración, temperatura y consumo eléctrico, con pipelines que corren en apenas 50 MB de RAM sin GPU.
Cinco meses después de su lanzamiento, GPT-4 destaca en razonamiento encadenado, escritura técnica y código de mediana complejidad, pero sigue fallando en aritmética, información posterior a su corte de datos y consistencia entre conversaciones. Claude 2 gana en contexto largo; LLaMA 2, en coste y privacidad.
Meta publicó LLaMA 2 el 18 de julio de 2023 con licencia comercial libre de royalties, en tres tamaños (7B, 13B, 70B parámetros). El modelo 70B iguala o supera a GPT-3.5 en benchmarks estándar. Para el 99,9 % de las organizaciones la licencia permite descargar, modificar y ejecutar el modelo en producción con privacidad total.
Google lanzó Bard en febrero de 2023 con PaLM 2 como respuesta a ChatGPT, y presentó el modelo en mayo del mismo año en cuatro tamaños: Gecko, Otter, Bison y Unicorn. PaLM 2 compite con GPT-3.5 y GPT-4 en benchmarks como MMLU y BIG-bench, pero la ventaja real de Google está en la integración con Workspace, no en el modelo en sí.
El fine-tuning de un LLM propio compensa en tres casos: necesitas un estilo o voz muy específicos, un formato de salida rígido y estructurado, o quieres reducir coste y latencia con un modelo pequeño especializado. LoRA y QLoRA han bajado el coste de GPU, pero preparar datos y operar el modelo en producción siguen siendo caros. Para el resto, RAG y prompt engineering bastan.
Stable Diffusion XL marca un salto en calidad de imagen generada bajo licencia abierta. Qué cambia frente a SD 1.5/2.1, requisitos de hardware y cuándo elegir SDXL sobre Midjourney o DALL-E 3.
Los plugins de ChatGPT permiten que el modelo invoque servicios externos mediante una especificación OpenAPI. A tres meses de su lanzamiento, el ecosistema suma unos 500 plugins con un patrón claro: funcionan bien para consulta de datos en vivo y exposición de APIs internas, pero presentan fricciones en orquestación múltiple y transacciones con dinero real.
Code Interpreter extiende ChatGPT Plus con un intérprete Python en sandbox aislado: ejecuta el código en el acto, lee los ficheros que subes (CSV, Excel, PDF, imágenes, ZIPs) y devuelve resultados y gráficos dentro del chat. La sesión es efímera y sin internet, pero notablemente eficaz para análisis exploratorio ad-hoc sin arrancar un notebook.
DINOv2 es el modelo de visión por computadora de Meta AI entrenado con autoaprendizaje sobre 142 millones de imágenes sin etiquetas humanas. Con una simple capa lineal sobre el codificador congelado iguala o supera a modelos supervisados en clasificación ImageNet, segmentación semántica y estimación de profundidad monocular.
Cerebras-GPT es una familia de 7 modelos de lenguaje open-source, de 111 millones a 13.000 millones de parámetros, entrenados por Cerebras Systems en sus procesadores CS-2 con arquitectura GPT-3 estándar. Publicados en Hugging Face y GitHub bajo licencia Apache 2.0, sirven para fine-tuning, investigación e inferencia local, aunque solo entienden inglés.
Qdrant es la opción cuando priorizas control total y rendimiento en autoalojamiento; Pinecone gana si buscas SaaS totalmente gestionado sin operaciones; Weaviate destaca cuando necesitas embeddings nativos y búsqueda híbrida integrados en el mismo pipeline. Esta comparativa detalla arquitectura, cuantización, filtrado y casos de uso RAG para decidir según presupuesto y necesidad de control.
Un ensamble de aprendizaje combina las predicciones de varios modelos, mediante bagging, boosting o stacking, para lograr un resultado más preciso y estable que cualquier modelo individual. Random Forest y XGBoost dominan los datos tabulares porque explotan esa idea: la diversidad entre modelos reduce el error, siempre que sus fallos no estén correlacionados entre sí.
La tangente hiperbólica (tanh) es una función de activación que comprime cualquier valor real en el intervalo (-1, 1) con salida centrada en cero, lo que reduce el sesgo sistemático de los gradientes frente a la sigmoide. Es la activación estándar en las celdas de memoria LSTM y GRU de las redes recurrentes.
La función sigmoide convierte cualquier número real en un valor entre 0 y 1, lo que la vuelve la función de activación natural para expresar probabilidades en una red neuronal. Es diferenciable en todo su dominio, aunque sufre saturación y desvanecimiento del gradiente en redes profundas, por lo que hoy se reserva casi siempre a la capa de salida.
La función Softmax transforma los logits de salida de una red neuronal en una distribución de probabilidad que suma 1. Es la activación estándar en clasificación multiclase, desde clasificadores de imágenes hasta el vocabulario de los modelos de lenguaje como GPT.
Leaky ReLU es una función de activación derivada de ReLU que sustituye el valor cero de las entradas negativas por una pendiente pequeña, normalmente 0.01. Así el gradiente nunca es exactamente cero, lo que evita el problema de la neurona muerta y estabiliza el entrenamiento en redes convolucionales, recurrentes y GAN muy profundas.
ReLU (Unidad Lineal Rectificada, f(x) = max(0, x)) es la función de activación dominante en el aprendizaje profundo desde que AlexNet la popularizó en 2012: barata de calcular, resistente al desvanecimiento del gradiente y con una debilidad conocida, el dying ReLU.
La función escalón o de Heaviside es la función de activación más simple de una red neuronal: convierte cualquier entrada en una salida binaria, 0 o 1, según supere o no un umbral fijo. Fue el mecanismo central del perceptrón de Rosenblatt en 1958, pero su derivada es nula en casi todo punto, por lo que hoy se sustituye por la sigmoide o la ReLU.
La función lineal f(x) = ax + b es la activación más simple de una red neuronal: en su forma identidad, f(x) = x, es el estándar en la capa de salida para regresión porque no acota el rango de valores posibles. En capas ocultas falla, porque componer varias funciones lineales colapsa toda la red en una única capa lineal equivalente.
La red neuronal totalmente conectada, también llamada red densa, es la arquitectura fundamental del aprendizaje profundo: cada neurona de una capa se conecta con todas las neuronas de la capa anterior y de la siguiente. Esta conectividad total le permite aproximar cualquier función continua, aunque su coste computacional crece de forma cuadrática con el número de neuronas.
En una red neuronal, la entrada se representa como un vector columna x en R^n que la capa oculta transforma mediante una matriz de pesos W, un vector de sesgos b y una función de activación no lineal como ReLU, sigmoide o tanh. El entrenamiento ajusta W y b minimizando la función de pérdida con descenso por gradiente y retropropagación.
Una red neuronal multicapa está formada por una capa de entrada, una o más capas ocultas y una capa de salida, donde cada neurona pondera sus entradas y aplica una función de activación no lineal antes de pasar el resultado a la siguiente capa. Mediante forward propagation y backpropagation, la red ajusta millones de pesos hasta aprender representaciones jerárquicas capaces de clasificar imágenes, traducir texto o generar lenguaje.
Los dataframes de Spark son tablas distribuidas con esquema que el motor Catalyst optimiza automáticamente, mientras los pipelines encadenan esas transformaciones en un flujo reproducible de principio a fin. Juntos permiten procesar grandes volúmenes de datos de forma eficiente y distribuida en un clúster, escalando de un portátil a cientos de nodos sin reescribir el código.
LazyPredict es una biblioteca de Python que evalúa automáticamente decenas de modelos de clasificación y regresión de scikit-learn sobre tu dataset en segundos, sin escribir el código de entrenamiento para cada uno. Con LazyClassifier y LazyRegressor obtienes una tabla comparativa de métricas que señala qué modelos merece la pena afinar después.
La IA optimiza las ventas B2B con cuatro palancas: lead scoring predictivo que prioriza a los compradores con más probabilidad de cerrar, análisis de conversaciones, personalización de outreach a escala y automatización de tareas repetitivas. Su impacto real depende de partir de datos de CRM limpios.
ChatGPT 4 combina procesamiento del lenguaje natural avanzado con aprendizaje profundo para ofrecer conversaciones más naturales, coherentes y personalizadas que sus predecesores. Entiende la intención y el contexto acumulado de cada conversación, identifica múltiples intenciones en un mismo turno y reduce los escalados a agentes humanos, aunque sigue exigiendo supervisión y diseño cuidadoso.
La transferencia de aprendizaje permite reutilizar un modelo ya entrenado en un conjunto de datos masivo, como ImageNet o un corpus de texto extenso, para resolver una tarea nueva con muchos menos datos propios y horas de cómputo. Funciona mediante fine-tuning, extracción de características o prompts, y rinde mejor cuanto más se parecen el dominio de origen y el de destino.
El aprendizaje de máquina adversarial estudia los ataques deliberados contra sistemas de IA (evasión, envenenamiento y extracción de modelos) y las defensas para resistirlos, sobre todo el entrenamiento adversarial, la certificación de robustez y la monitorización de la distribución de datos de entrada en producción.
El aprendizaje federado entrena modelos de IA de forma colaborativa entre varios dispositivos u organizaciones sin mover los datos originales: cada participante entrena en local y solo envía gradientes al servidor central. Formalizado por Google en 2016, no garantiza privacidad por sí solo: necesita privacidad diferencial o agregación segura para evitar fugas de información en esos gradientes.
Los sistemas de recomendación son el motor invisible de Netflix, Amazon y Spotify. El filtrado colaborativo predice preferencias individuales analizando el comportamiento de millones de usuarios sin examinar el contenido del ítem: el 80% de lo consumido en Netflix y el 35% de las ventas en Amazon proceden de recomendaciones algorítmicas.
La IA explicable (XAI) es el conjunto de técnicas que permiten abrir la caja negra de los modelos de inteligencia artificial y responder por qué tomaron una decisión. Métodos como LIME, SHAP y los mapas de activación Grad-CAM son los enfoques más usados. Su adopción es obligatoria en entornos regulados: salud, justicia y finanzas.
El aprendizaje por refuerzo es la técnica de IA en la que un agente aprende a tomar decisiones óptimas por prueba y error, sin datos etiquetados: actúa en un entorno, recibe una recompensa o penalización según el resultado y ajusta su estrategia para maximizar la recompensa acumulada a largo plazo.
La automatización inteligente combina IA, aprendizaje automático y robots físicos capaces de percibir, decidir y adaptarse en tiempo real, sin depender solo de un guión fijo. Transforma fabricación, logística, sanidad y alimentación, y en 2024 ya sumaba más de 4,6 millones de robots industriales activos en el mundo, según la IFR.
La visión computarizada es la rama de la inteligencia artificial que permite a las máquinas interpretar imágenes digitales: detectar objetos, segmentar regiones y reconocer patrones mediante redes neuronales convolucionales. Desde 2012, cuando AlexNet redujo el error de clasificación en ImageNet al 15,3%, se aplica en fabricación, medicina, transporte y agricultura de precisión.
El procesamiento del lenguaje natural (NLP) es la disciplina de IA que permite a las máquinas entender, interpretar y generar texto y voz humana. Impulsado por la arquitectura transformer desde 2017, el NLP alimenta chatbots, traductores automáticos y sistemas de diagnóstico clínico, con retos pendientes en razonamiento causal, eficiencia energética y mitigación de sesgos.
Las redes neuronales profundas son hoy la base de casi toda aplicación de inteligencia artificial: desde el reconocimiento facial hasta la traducción automática. Con arquitecturas como CNN, RNN y Transformers, el deep learning ha transformado la visión computarizada, el reconocimiento de voz y el procesamiento del lenguaje natural durante la última década.
