al ah e al al al al al al ah al it Ah sí sí Hola a todos se me escucha Hola Sí sí H ah se escucha escuch me podéis decir por el chat si se me escucha perfecto esperar un minuto a ver si se conecta más gente y empezamos al ah al Vale pues vamos a empezar la clase de hoy la tercera clase de soporte como hemos hecho estas dos últimas clases vamos a utilizar el kahut Así que antes de empezar ir conectando tenéis ahí el código QR para escanear o si no podéis entrar
en kahot.it y poner el código que aparece en pantalla profesor la la clase e no se está grabando Ah vale Perdona voy a grabar vale ya debería estar grabando Vale y entrando todos ahí en el kahot Creo que faltéis todavía más de la mitad os dejo también el código en el chat por si alguno entra más más tarde Vale pues vamos a empezar la clase de hoy eh vamos a seguir en la misma dinámica de estas dos últimas vamos a hacer un poco de repaso de conceptos repasaremos un par de conceptos que hemos visto ya
y vamos a introducir también cosas nuevas luego vamos a hacer un ejemplo práctico de un poco de cómo funciona entrenamiento de de magine learning en directo para que veáis un poco es un caso práctico muy sencillo para que de entrenamiento de imágenes y de generación de imágenes y de y de creación de un modelo para detectar también eh un tipo de objeto concreto eh Ya veremos ahora Y por último también vamos a ver algunos integraciones más la clase anterior vimos Cómo integrar ch gpt en Google sheets y para esta clase vamos a hacer también el
mismo ejemplo pero para integrarlo en Google slides y en Google de como poder utilizar Este gpt vale pues de conceptos básicos un poco Vamos a repasar lo primero que eran las redes neuronales vale muy rápidamente porque ya lo hemos visto pero bueno cada vez vamos a ir entrando un poco más en detalle de funciona todo esto vimos en la primera en la primera clase sobre todo muy por encima de conceptos de red neuronal Machine learning Deep learning pero vamos a ir profundizando cada vez más pues bueno eh las redes neuronales artificiales son un eh Son
un tipo de algoritmo de Machine learning que está diseñado para imitar el funcionamiento del cerebro humano entonces bueno Está compuesto por distintas capas de nodos como podemos ver ahí en en la imagen y al final el objetivo de esto es que le pasamos eh en la entrada no que son datos que le pasamos eh los analizan los ordenan y sacan una conclusión una salida entonces bueno para entenderlo así también de manera eh un poco más básico Pues imaginad no que son todas estas neuronas artificiales Pues que son personas que trabajan juntas y que cada persona
va transmitiendo una información concreta y al final pues eh de todas esas informaciones que han ido importando cada persona pues se saca una conclusión o una decisión no todo basado siempre en los datos de entrada eh que se recibe siguiente concepto que vamos a repasar es el Deep learning vamos a profundizar también un poquito más aquí entonces hemos dicho que la red neuronal artificial es un tipo de algoritmo El Deep learning Es una rama de Machine learning que se enfoca en el uso de las redes neuronales no no de lo que acabamos de explicar eh
justo ahora pero la única diferencia es que eh utiliza muchísimas muchísimas capas que es lo que se conoce como redes profundas y cada capa va aprendiendo del anterior y entonces imaginados antes hemos explicado la red neuronal como un grupo de personas no individuales que cada uno va aportando información pues ahora para entender el concepto de Deep learning imaginados en vez de personas individuales pues distintos grupos de personas un grupo de personas tiene cierta información que aprende se lo pasa a las al siguiente nivel el siguiente nivel juega con la información que ya sabe y con
la que le pasan o sea pasa al siguiente nivel y van y así van pasando la información de una capa a otra es así es como funciona el Deep learning y aquí en la imagen que tenemos Bueno es un ejemplo no de que se usa el Deep learning pues por ejemplo esto es una cámara para detectar aquí pues distintos objetos personas Pues cómo funcionaría un el Deep learning aquí para llegar a este este resultado final que ya es lo que estamos viendo en pantalla Pues bueno el primer nivel de una red neuronal lo que utilizaría
sería pues intentar eh Por ejemplo en este caso las diferencias entre las zonas claras Y oscuras de la imagen eh para determinar por ejemplo los bordes No pues todo eh los bordes estos Pues los determina de cada objeto de cada cosa que pues simplemente por los colores el segundo nivel é pues recibe la información eh de la identificación de todos estos bordes de la primera capa y ahora lo combinaría Pues con figuras no ya este segundo nivel pues ya la capaz de detectar eh figuras simples pues lo lo combinan los datos tercer nivel pues eh
con la información de todas estas figuras simples ahora lo que hace es construir figuras más complejas cuarto nivel combinaría figuras más complejas hasta pues construir eh partes del cuerpo humano y ya pues ya Y así va completando capa a capa hasta que es capaz de detectar pues lo que viene siendo una persona pues así es como funciona eh el Deep learning Bueno Este es un ejemplo no muy básico de una cámara de seguridad capaz de detectar esto pero bueno se puede utilizar en muchísimos ámbitos Pues en la búsqueda de productos similares basadas en imágenes pues
por ejemplo otro ejemplo para determinar logos de marcas empresas monitorización de sentimiento de personas y y Bueno sobre todo también bueno diagnósticos por ejemplo en medicina se utilizado una barbaridad pues ha eh Hay múltiples usos Vale hasta ahora hemos repasado dos conceptos que ya habíamos visto previamente hemos profundizado un poco más pero este concepto ya es nuevo transfer learning que también se utiliza mucho a la hora de Inteligencia artificial sobre todo de entrenar modelos que el transfer learning aprendizaje por transferencia no deja de ser un concepto que viene siendo compartir información aprovechar la información de
otros modelos entonces en el bueno Machine learning es los modelos como ya explicado alguna vez Se entrena para completar tareas específicas aparte de los datos perdón aarte a partir de los datos que aportamos entonces el transfer learning es técnica en la que un modelo que ya está pre trenado es decir un modelo existente que tiene una tarea específica pues se readapta para resolver una tarea completamente diferente Ahora luego vamos a ver un caso práctico y que lo Vais a entender muy bien entonces de esta manera queé se hace aprovechar todo la información que ya tenía
aprendido el modelo previo y y se lo transmite al nuevo pero a lo mejor del nuevo en el modelo nuevo sol nos interesa una parte de ese modelo ya antiguo eh pre trenado entonces eh obtengo la información que me interesa readapt porque a lo mejor necesito cosas nuevas y y y creo un modelo nuevo a partir de ese y y ese concepto se llama transfer learning mir un ejemplo así muy que me había apuntado también para no reducirlo un poco a a lo absurdo Pues mira un ejemplo eh es como no cuando aprendes a ir
en bicicleta pues ahora te enseñan O quieres ir en moto pues ya te va a ser más fácil no porque ya tienes similitudes pues mira el paso de la bicicleta a la moto Pues mira sigue siendo dos ruedas el manillar es muy parecido los frenos también pues bueno yo ya vengo con el concepto aprendido de montar en bicicleta pues probablemente el ir en moto eh Hay muchas cosas que ya me van a resultar eh más fácil no de de adaptarme siguiente concepto son las se suele llamar gans pero bueno son redes generativas antagónicas que esto
es un tipo de red neuronal pero que está compuesta por dos partes vale este tipo de red neuronal se utiliza mucho y ahora Vais a ver por qué y y cómo funciona pues tiene dos partes por un lado está El generador y y hay un discriminador el el generador se encarga de crear datos falsos eh que pueden ser imágenes eh o música por ejemplo Mientras que el discriminador lo que hace es intenta distinguir siempre entre los datos reales y los generados entonces eh Este modelo al final con el tiempo van mejorando pues es decir que
se van es como una competición entre ambos eh van luchando entre ellos y van mejorando los dos entonces bueno es como una especie de de juego entre entre dos jugadores uno se inventa cosas todo el rato que sería el generador y otro trata de descubrir Cuáles son eh verdaderas o falsas que sería el discriminador entonces a medida que va pasando el juego ambos van creciendo van mejorando Hasta que el generador crea cosas tan buenas que parecen reales vale el objetivo es ese que el generador el generador que es el que crea contenido falso crea cosas
falsas como va ándose con el discriminador al final el objetivo es que cree cosas reales y y Bueno aquí tenéis ejemplos de gans cómo funciona entonces aquí por ejemplo en la imagen de la izquierda tenéis Eh pues se utilizado para por ejemplo en el sector de de la medicina pues la imagen principal que le están pasando Eh Pues aquí por ejemplo de que se ve que de los pulmones Eh bueno yo no soy médico ni nada pero veo que entiendo que por la figura eh No los tiene muy bien eh Pues a través de la
original el sistema es capaz de sacar Cómo Debería ser eh ese mismo cuerpo con los pulmones sanos Entonces le pasa la la imagen con la enfermedad Y es capaz de sacar eh la imagen con los pulmones sanos aquí otro ejemplo pues con como a través de eh Como a través de una imagen no de un animal pues lo acaba de un caballo lo acaba convirtiendo en en una cebra bueno y El ejemplo más básico de estas redes generativas antagónicas que hoy en día todo el mundo conoce es el famoso eh eh Deep fake no que
del que todos hemos ido hablando que al final bueno el hacerse pasar eh por una persona e no bueno Todos hemos visto vídeos de estos hasta habido anuncios de televisión que han utilizado Deep fake Deep Perdón Deep fake eh puesto el Deep fake no deja de ser o se crea la base de todo es el las gans este tipo de red neuronal entonces así es como Cómo se crea bueno Esto es muy muy técnico Pero bueno iremos también lo veremos más adelante un poco hablaremos también de de Deep fake más en detalle luego por último
ya de concepto hoy Vamos a repasar estos tres vale que es la la optimización de hiperparámetros a la hora de entrenar un modelo Pues bueno Estos son como hay muchos más pero esto los he destacado como los más los tres más importantes y con la utilización de hiperparámetros lo a lo que me refiero o lo que se refiere este concepto es a ajustar los parámetros de un modelo para mejorar su rendimiento cuando estamos entrenando un modelo Pues todos estos tiene un montón de parámetros que nosotros vamos Ajustando Y a medida que vamos entrenando en nuestro
modelo pues cambiamos un parámetro u otro en función también de la respuesta que esperamos para eh conseguir la mayor precisión posible entonces bueno Esto es como al final Como ajustar la receta de de un postre por ejemplo no de un pastel Pues si cambiamos la cantidad de harina o el tiempo que tiene que estar en el horno Pues el resultado sea o mucho mejor o mucho peor no el resultado cambia pues esto es exactamente lo mismo lo que pasa con los modelos de Inteligencia artificial Entonces el primer concepto es le eh es el tamaño de
los pasos que tiene que dar nuestro modelo cuando está aprendiendo entonces imaginaos que estáis vosotros En la cima de una montaña y tenéis que llegar hasta abajo del todo al Valle Entonces si los pasos que dais son muy muy grandes imaginaos que dais pasos eh exagerados cada paso son 50 m Pues bueno eh es posible que te saltes no el sendero porque das pasos tan grandes que probablemente te salgas del Sendero eh y y y y acabas Perdón acabes perdido y si los pasos son muy pequeños Pues bueno va siguiendo el sendeo muy bien pero
sí que es verdad que es un proceso muy muy muy muy muy muy lento entonces bueno tiene sus pros su sus contras no el que sea eh pasos grandes o pasos pequeños bueno el truco al final es encontrar el equilibrio eh es un poco de lo que va esto no el juego este del entrenamiento Pues tienes que buscar un equilibrio en el que eh Ni tarde mucho ni tarde eh Ni tarde mucho pero consiga una precisión brutal Pero porque al final eh Cuando hablamos de entrenar un modelo una cosa Se entrena un modelo que tarda
un minuto o tarda una hora pero hay modelos de entrenamiento en Machine learning que estamos hablando que a lo mejor puede tardar unos días o puede tardar años en ejecutarse entonces claro Hay que buscar un equilibrio que sea beneficioso para a todos el Bad size siguiente concepto pues este es el número de ejemplos que el modelo usa antes de ajustar sus parámetros Es decir para el el número de ejemplos que necesita para aprender con os pongo un ejemplo imaginad que tenemos una clase de 1 1000 estudiantes y les tenemos que enseñar eh les damos clase
de matemáticas y tenemos que enseñar eh a los 1 estudiantes pero solamente podemos atender a unos pocos a la vez Entonces es Es esos grupos que se forman eso es el bside Imagínate que tengos que hacer pues clases de 32 personas no eh Y tengo 1000 estudiantes Pues voy enseñando en pequeños grupos eh esos al ser muy pocas personas pues aprenden muy rápido pero qué pasa que me lleva mucho tiempo porque a lo mejor tengo que hacer eh Pues 300 eh dar 300 clases porque son grupos muy reducidos Qué pasa si es lo contrario que
el bat size es muy grande pues que enseño a grupos mucho más grandes me lleva menos tiempo pero es posible que en ese grupo se pierda información es decir que no aprenda tamb bien como el primer grupo Entonces esto es lo mismo que que el learning rate pues hay que ir Ajustando hasta quedemos con el más adecuado y el epox los epox Eh pues indican Cuántas veces el modelo verá todo el conjunto de datos durante un entrenamiento Entonces esto Bueno yo siempre pongo para explicar esto El ejemplo de de un libro no imagínate que tienes
que estudiar un libro entero para un examen entonces una EPOC sería leerse todo el libro una vez Entonces a veces con una sola lectura no de un libro Eh puede ser suficiente para entenderlo todo pero si si no fuese así eh pues lo leo una segunda vez y una tercera y una cuarta y una quinta entonces cada vez que vas leyendo el libro eh vas vas reteniendo mejores los conceptos y y llegará un momento en que el libro ya te lo sepas de de memoria pues esto pasa con el entrenamiento de de ella entonces bueno
los epocs es un parámetro que se ajusta también para ver Cuántas veces tiene que recorrerse todo el aprendizaje para que lo tenga ya interiorizado Y memorizado entonces así en en resumen al final el learning rate como hemos dicho es como el tamaño de los pasos que das para llegar a tu destino un paso grande no más eh es más rápido pero más arriesgado Y uno pequeño es lento pero seguro y luego el bat size eh es el tamaño del grupo que usas para aprender grupos pequeños hemos dicho que son muy que son rápidos en aprendizaje
pero eh Son lentos grupos grandes son eh eh más estables pero también tiene su eh Perdón que me lado los grupos grandes hemos dicho eh que son más rápidos eh pero pueden perder pueden perder información y los EPOC Cuántas veces revisamos todo nuestro conjunto de datos cuántas vueltas le damos a nuestro conjunto de datos Vale ahora vamos a a empezar esto Vamos a repasar todos estos conceptos que hemos visto rápidamente si alguno no ha entrado todavía está tiempo de entrar en el kahot vale veo que estáis entrando alguno más lo he pasado también por el
chat vale porque vamos a empezar ya Qué es una red neuronal artificial un algoritmo inspirado en el cerebro humano un sistema que utiliza fórmulas estadísticas un programa para clasificar datos sin entrenamiento un modelo optimizado para cálculos secuenciales efectivamente un algoritmo hemos dicho no lo primero que hemos dicho es un algoritmo y que está inspirado en el cerebro humano están diseñados es decir se diseñan para imitar el funcionamiento del cerebro humano y que utilizan capas de nodos que son lo que se llaman neuronas que son las encargadas de procesar pues toda la información y lo que
hemos dicho que son capaces de aprender por sí solo y de tomar decisiones basadas en los datos que reciben no al final una red neuronal tiene que ser capaz de sacar una decisión una conclusión final siguiente pregunta qué es el Deep learning aprendizaje con múltiples capas de redes neuronales algoritmo para árboles de decisión en redes neuronales un enfoque para optimizar modelos en tiempo real método que usar redes neuronales en solo una capa Efectivamente es aprendizaje con múltiples capas de redes neuronales no hemos explicado que el de learning es ir pasando ir aprendiendo de una capa
en otra se van pasando información y van aprendiendo una de otra continuamente siguiente pregunta qué es el transfer learning utilizar pesos de un modelo para una nueva tarea utilizar múltiples redes para transferir datos transferir datos entre capas durante el entrenamiento mover conocimiento entre datasets en tiempo real vale aquí veo que habéis fallado la mayoría igual es por el concepto de de pesos vale la verdadera reutilizar pesos de un modelo para una nueva tarea Pues cuando hablamos de reutilizar pesos de un modelo en transfer ling a lo que nos estamos refiriendo exactamente es aprovechar el conocimiento
eh que un modelo previamente ya aprendido con lo que hemos la definición no que os he dicho antes que es una técnica que permite reutilizar un modelo ya pre entrenado para una tarea específica y ajustarlo no con lo nuevas eh parámetros para una tarea completamente diferente Pero que está relacionada es decir no tiene sentido un dato eh un modelo pre-entreno eh si no tiene ni un tipo de relación con lo que quiero hacer porque no nos va a servir entonces bueno eh yo creo que aquí no ha habido ese un poco concepto de pesos no
estaba claro Qué hacen las gans generan datos falsos y entrenan un discriminador modelos supervisados que hacen clasificación y regresión ajustan parámetros minimizando la función de pérdida buscan el óptimo global generando muestras sintéticas es generan datos falsos si entrenan un discriminador lo que hemos explicado no que es este eh Bueno es un sistema que consta de dos redes no un generador y un discriminador lo que el ejemplo que hemos puesto de los dos jugadores Pues que uno se dedica a crear contenido falso y el otro se dedica a decir cuál es el contenido verdadero y cuál
es el falso entonces se van retroalimentando los dos Hasta que el que genera contenido falso es capaz de crear cosas que parecen reales siguiente pregunta que es el learning rate controla velocidad de ajuste de pesos en el modelo el número de lotes procesados en cada iteración el tiempo Total que tarda en optimizar la función de pérdida parámetro que determina las épocas o epocs para la convergencia efectivamente controla la velocidad eh de ajuste de pesos eh en el modelo hemos dicho al principio no que el concepto Este era Cuántos pasos tengo que dar para llegar a
mi destino siguiente pregunta qué es el bat Size controla velocidad de ajustes Perdón número de ejemplos procesados en cada iteración el número total de ep entrenamiento la cantidad de datos usados para ajustar pues es el número de ejemplos procesados en cada iteración Entonces el ejemplo de los alumnos no para enseñar de la clase de 1000 alumnos que teníamos pues enseñar en grupos pequeños son grupos más grandes y por último Qué son los epocs Perdón que no había puesto la pregunta número de veces que se procesa todo el conjunto de datos número de pasos dados para
actualizar los parámetros cantidad de datos procesados por cada lote total de ejemplos procesados por iteración o sea el número de veces que se procesa todo el conjunto de datos acordados del ejemplo del libro no me tengo que estudiar un libro entero pues cada vez que me lea el libro es un EPOC ent cada vez que me lea el libro entero pues se eh reten mejor mejor los conceptos hasta que llegue un momento que me lo sepa de memoria Vale ahora vamos a repasar estos conceptos un poco eh eh de que un ejemplo práctico que aquí
os voy a enseñar el concepto de las gans vale acordaos no lo de que está eh el que dice mentiras y el que trata de averiguar eh lo que es verdad y lo que es mentira lo que viene siendo Bueno un ejemplo de esto que hemos visto el Deep el Deep fake Pues bueno no no le hagáis mucho caso a esto al código no no no trato de que lo entendáis simplemente Quiero ver eh quiero que veáis que al ejecutarlo lo que genera y cómo funciona esto parámetros entonces Bueno aquí estamos configurando distintos parámetros aquí
hay dos de los que hemos repasado el bat size en hemos puesto 64 epox 50 Vale entonces aquí el objetivo de esto nos está creando unas imágenes de de dígitos 1 2 3 4 5 6 7 8 9 y que a medida que va entrenando el modelo pues va va a ir mejorándolo entonces Nosotros le pasamos Pues un generador un discriminador y nada bueno todas estas funciones lo que hace más llama los modelos tal que no no quiero que entendáis y para sacarlo por pantalla vamos a ejecutarlo y está fallando perdonad creo que no está
leyendo un parámetro perdonadme pero es que estado Hoy haciendo pruebas con esto que os lo quería enseñar Y puede que a ver si así funciona vale Así debería funcionar Bueno pues perdonarme porque esto bueno tendré que investigar a ver es que he estado tocando este código toda la tarde probando para enseñaros cosas y debe estar fallando algo es os lo enseñaré en la próxima clase tengo también otro ejemplo de otra de otro que es para repasar el concepto de vale este este era un poco para que supiese este primer ejemplo de cómo el Deep fake
desde el punto de vista técnico vale era un ejemplo muy básico eh Para que vieseis cómo funciona funcionaba toda esta técnica pero os lo enseñaré rápidamente al principio de la clase del próximo día tengo que arreglar el código para que funcione el segundo ejemplo caso práctico que os iba a enseñar Era sobre el el concepto de de transfer learning el de ir pasando de un un modelo ya pre trenado no la información que nos interesa y crearnos nuestro nuevo modelo Entonces yo aquí lo que he hecho eh le hemos pasado un modelo ya pre trenado
a ver si lo tenemos este que no encontraba el Mobile net v2 es un modelo ya pre trenado que se dedica a detectar objetos ya está entrenado para detectar una cantidad de objetos y los categoriza y todo pues es capaz de detectar animales es decirte qué especie es de detectar t plantas flores decirte si esto es una rosa una Margarita entonces bueno yoo eh Para hacer este ejemplo he dicho pues a mí lo que me interesa es Quiero un modelo solamente que detecte flores en las imágenes y me diga qué tipo de flores Entonces yo
he cogido Este modelo ya pre trenado y y me voy a crear ahora el mío mi modelo propio que solamente quiero que detecte Flores no quiero que detecte nada más entonces bueno Esto Tampoco voy a explicar el código pero básicamente es cojoo este modelo y le digo que quiero que entrene esa parte y ahora yo le paso Pues un dataset de flores y es capaz de aprender a detectar solamente flores mi modelo vamos a ejecutar Entonces ahora Vais a ver cómo va entrenando vale lo que hemos dicho pues un ipoc es un ciclo completo a
toda la inform ación veis aquí que va entrenando y va va recorriendo todo y ahora bueno como va a tardar dos tres minutos todavía en ejecutarse ahora volvemos a esto y y vamos a continuar con el kahot vale que tengo tres preguntas más y ahora volvemos al resultado de esto para que veáis lo que ha generado profesor me aparece que está grabando la pantalla nuevamente aparece qué Perdón que no está grabando la a mí me aparece que se está grabando la pantalla s lo siento Sí de hecho me apece que hay sí está el contador
que va Sí sí sí que está grabando No te preocupes disculpa Vale pues nada Vamos a continuar con estas tres preguntas y ahora vemos el resultado del modelo que hemos dejado entrenando cuál de los siguient es un ejemplo común de uso de redes neuronales en la vida diaria recomendación de películas en plataforma de streaming correcto siguiente pregunta qué técnica de Inteligencia artificial se utiliza para crear imágenes realistas como Deep fakes esto ya lo he comentado varias veces durante la sesión de hoy algoritmos de camin red neuronales recurrentes aprendizaje por refuerzo redes generativas antagónicas y La
respuesta es efectivamente las gans de lo que hemos estado hablando todo todo este rato y la última pregunta Cuál es el desafío principal en la optimización de hiperparámetros en un modelo de Inteligencia artificial acordaos que hemos repasado hoy tres de ellos Entonces ahí entrenar el modelo con datos no etiquetados encontrar el número adecuado de capas neuronales ajustar la tasa de aprendizaje elegir el tamaño del lote adecuado Pues aquí teníamos efectivamente tres respuestas correctas la de entrenar el modelo con datos no etiquetados eso no aporta nada son el resto los parámetros no el B si y
las capas [Música] neuronales vale vamos a volver a nuestro modelo que estaba entrenando que ya está justo terminando está recorriéndose el último EPOC Entonces le hemos dicho que recorres veces eh entrenarse que diese 10 vueltas no a todo el entrenamiento de de todos los datos Pero bueno aquí vemos un poco le he dicho también pues que me sacas En porcentaje en precisión de validación Pues mira tiene una precisión ahora mismo del 87 con 144 por pues si jugás semos con estos parámetros de de pasar de cambiar el bat size eh el EPOC no darle más
entrenamiento y tal pues veríamos como esta precisión iría aumentando o iría empeorando que también puede empeorar dependiendo del equilibrio que le vayamos dando pues puede mejorar O puede empeorar la precisión y aquí vemos un poco la precisión del modelo Cómo va mejorando eh con cada vuelta y y la pérdida también del del modelo al principio la pérdida es muy alta y va disminuyendo y luego lo que quiero esto lo lo que nos ha generado al final es un modelo de entrenado para detectar eh flores aquí lo tenemos este archivo que veis aquí a la izquierda
es lo que me ha generado todo ese entrenamiento Entonces yo ahora lo que le voy a hacer es pasarle imágenes a este modelo que acabo de entrenar le voy a pasar imágenes estoy ejecutando entonces aquí elegir archivos le voy a pasar una una flor una imagen de flores que Vais a ver que no va a ser muy precisa el modelo predice que es una rosas el resultado que me ha sacado pero sin embargo Mirad le he sacado le he pasado una imagen con muchísimas muchísimas flores y me ha detectado que es una rosa cuando aquí
me debería haber detectado pues todas las flores que hay por tanto ya hemos detectado un fallo en nuestro modelo nuestro modelo no está preparado eh para detectar múltiples tipos de flores en una misma imagen entonces Bueno eso es algo que tendríamos que tener en cuenta y tratar de corregirlo y ya Bueno pues eso es un poco no En qué consiste el entrenamiento ir viendo todos estos resultados y vas mejorando tu modelo y lo vas eh volviendo cada vez más preciso ahora os voy a voy a volver a ejecutar y le voy a pasar una foto
de una flor solo y Vais a ver qué precisión tiene Pues el modelo predice que es una Margarita Pues aquí le hemos pasado Solamente esto y ha sido capaz de de detectarlo os paso otro ejemplo de otra distinta y es una rosa Efectivamente es una rosa pero tiene otros fallos que pasa así no le paso flores Pues que también se raya el sistema si le paso por ejemplo la foto de un coche Pues el modelo me dice que es una rosa y efectivamente pues este coche no es una rosa Pues bueno esta prueba error que
acabamos de hacer ahora de manera muy básica es lo que haría pues eh alguien que está entrenando una ia pues se va dando cuenta de todos estos va Ajustando parámetros y cada vez pues va entrenando el modelo y y va creando ese modelo pues cada vez más preciso y nada esto es un ejemplo así muy muy muy básico para que lo entendes seis el concepto de los parámetros sobre todo que hemos visto y nada a lo mejor más adelante también vamos viendo y vamos entrando más en detalle de alguna cosa o de hacer algún entrenamiento
chulo para que incluso podáis hacer vosotros de manera fácil pero lo iremos viendo en otras en otras sesiones una pregunta Sí dime alción que veíamos en el modelo e habían varias rosas esa digamos esa parametrización para que identifique varias una dos tres me imagino yo que es posible ajustar dentro de toda la programación que se hace es así Efectivamente es decir la parte del ajuste no no deja de ser programación todo el ajuste que hacemos y es manual eh el modelo este probablemente ya me devuelva un montón de de predicción de clases No yo le
paso una imagen y y no solamente me pasa que la palabra Rosa sino que me detectará un montón de objetos dentro de esa imagen y incluso es capaz de sacarme la precisión de cada objeto dice pues hay un 85 por de probabilidad de que sean rosas un 6% de que sean Margaritas entonces en esa imagen que había un montón de flores me habr sacado un montón de objet y yo por programación le puedo decir que me saque todos le puedo decir que solamente me saque los que tienen una precisión superior al 80% yo ya a
nivel programación voy jugando en función de lo que me interesa sacar en ese modelo Muchas gracias Vale pues hasta aquí lo de hoy de conceptos nuevos vale No vamos a profundizar ya hoy más en cosas así tan técnicas vamos a volver un poco a la sesión de del otro día la de eh donde la parte final donde vimos como no sé si os acordáis que pimos el ejemplo este de cómo conectar s gpt a Google eh sheets Y me dijisteis muchos que os interesaba mucho esta parte no sobre todo con todo el tema de más
de ofimática de cómo ir integrando y tal peres Bueno hoy voy a enseñaros un poco también Google docs y las presentaciones también de Google y y muy rápidamente esto es muy parecido a lo que hicimos el otro día vale todas e Aquí también existe en extensiones entramos en un documento de Google nuevo vacío y aquí en extensiones eh nos abrimos el app Script y lo mismo nos generamos un Script yo estos scripts vale los estoy tod para hacer todas estas pruebas y enseñaros eh lo podéis hacer vosotros Exactamente igual yo se lo estoy preguntando directamente
a hgpt yo le digo a hgpt Oye quiero integrar hgpt con Google Google docs y quiero hacer esto y y me da y me da una función básica y lo integro una pregunta Sí dime este por ahí hubo una promesa de que ibas a tratar de ver si nos traía el plugin para para Excel se logró eso Eh sí yo quería haberlo subido a moodle pero al moodle donde tenéis acceso todos pero va a ser un poco complicado Ah y estoy os estoy preparando una carpeta vale mía personal que os la voy a compartir con
un montón de información todas estas cosas que os estamos os estoy enseñando en las clases eh yo creo que la tendré preparada ya la semana que viene y os Pasaré el enlace para que la tengáis y de ahí sacaré todo que voy a pasar de funciones y tal pues las tendréis ahí en esa carpeta todo el contenido ese colgado y y nada lo que os estaba diciendo no que yo toda esta información al final se pido hgpp también quería hacerlo así para que veáis que no hace falta tener nociones de de programación y técnicas sí
que es verdad que si tienes nociones técnicas es más fácil y entiendes lo que se está haciendo exactamente ente incluso puedes tú aportar cosas nuevas que a lo mejor el propio ch gpt no no te ayuda no no es capaz de hacerlo pero eh Pero bueno pero se lo podéis plantear todo entonces Yo le pedí Mira necesito integrarme con chpt entonces me creaba esta función que lo que hace es hacer llamadas a la Api de chpt Pero esta vez yo quería una cosa nueva que yo quería eh ejecutarlo de manera muy fácil Entonces le he
pedido a chp que digo Oye yo quiero Añadir aquí veis este botón de que pone aquí chpt aquí en el menú Al final este menú no no lo incorpora Google docs Esto se lo he creado yo entonces le he dicho hgpt Oye yo quiero llamar hgpt desde el menú entonces me aquí me creado mi función para crearme Ese botón ahí en el menú y quiero que y se lo y le decía chpt pues quiero que cuando pulse en el botón de ech gpt quiero que se abra una ventana para introducir yo el prompt entonces Bueno
aquí tengo mi función de generar el prom entonces pulso aquí me ha generado todo eso Leo generar contenido con sgpt [Música] yado de la ya por ejemplo Entonces le doy a aceptar igual tarda un poco pu que también porque por mi conexión a internet pero Pero bueno esto ya está conectando por detrás Y ahora veréis pues que me me saca un texto me va a sacar un texto breve Pues bueno esto ya depende de lo que queramos pues puede hacer unas cosas u otras Esto lo mismo que os dije el otro día con Google seeds
todo lo que se nos ocurra se puede implementar aquí es solamente eh cuestión de plasmarlo a nivel programación entonces Repito no hace falta saber programar se lo contáis a ch F lo que queréis hacer y chf os pasa el código y copiáis y pegá y vais probando hacer cosas lo y a lo mejor aquí eh Me gusta lo puedo hacer mucho más complejo no solamente pasarle un prom eh le puedo poner ajustes Yo quiero Oye Quiero que en la configuración me pregunte si quiero Añadir imágenes o no quiero Añadir imágenes eh si quiero una longitud
máxima o una longitud mínima decir contarle un montón más de cosas aquí a lo mejor y de pasarle parámetros y todo eso me lo Configura y a lo mejor en vez de sacarme este texto Pues a lo mejor me crea 10 páginas pero José una pregunta eh cómo llegas a integrar dentro de del doc eh la función esta chat es que estoy intentando ir pero no veo cómo cómo copiarle ese ese código que te genera hgpt en qué parte de Doc eh le le insertas con ese código vale te refieres para Que aparezca aquí en
el menú no Exacto Sí yo aquí yo me creado esta función esta función lo que hace es conecta con el el documento y le estoy diciendo añadiendo eh un menú bueno Esto es ya una función interna de Doc que le añado esto y dentro del menú le añado distintos ems es decir yo si genero si generara aquí otro de momento no va a tener n una bueno la misma funcionalidad pero imagínate lo llamo ejemplo vale guardamos y para ver eh los cambios si verdad que tengos que refrescar vale Si no pero veo que que claro
lo estás haciendo desde app scrips No claro justo es decir lo tienes que crear desde app Script siempre todo lo que generes de código de funcionalidades siempre es en extensiones Apps Script vale Vale gracias y ahí podéis ver que hemos metido est nu nuevo em que podría tener una funcionalidad es decir podríamos haber creado otra función que sea generar generar imagen con chpt Entonces se me abre el prom y yo le paso algo y lo que me generaría aquí es una imagen me pasaría una imagen entonces bueno Esto la imaginación aquí no tiene límites cualquier
cosa se puede programar y claro Cuanto más complejo sea el concepto pues más difícil será de implementarlo Pero bueno eh desde cosas muy básicas e se pueden hacer muy rápidamente y sobre todo aprovechar y practicar esto con ch gpt se lo preguntáis y os genera absolutamente todo lo mismo también si no queréis hacer una integración aquí porque tampoco entendéis muy bien o no os aclaré con app scripts y todo esto existen también otras maneras de ya eh hechas aquí en en extensiones en si nos vamos a complementos Descargar complementos es como una Store de cosas
ya de de extensiones que existen que os podéis Descargar y tal directamente Aquí hay una de chpt gocs No cómo era así esta que es la que he instalado yo que ya estaba creada por alguien eh entonces directamente la tengo aquí Star gpt y esto se conecta con chpt y ya tengo incluso una interfaz aquí eh hecha que se activa Per bueno eso también lo podéis podéis indagar ahí porque hay muchas extensiones conectadas con gemini conectadas con eh e gpt ya predefinidas que habrá No las he probado todas Esta es la la he probado y
por eso os la enseño Pero bueno las habrá mejores peores mir aquí podéis pues tenéis un montón de parámetros No desde el idioma custom prom pues configurar pues qué tipo de de de escritura creéis enfocado no a un post un post para un blog con words y nada entonces lo mismo de decí lo que queréis y lo inserta aquí eh vale lo mismo con os quería enseñar con las presentaciones eh de Google bueno Esto que os voy a enseñar es un poco más pobre no me ha dado tiempo a indagar mucho y practicar pero es
exactamente lo mismo nos creamos el app Script vale Y yo aquí he estado jugando también yo lo que quería aquí es que fuera capaz de generarme una diapositiva entonces bueno de momento me genera cosas muy muy básicas Pero bueno yo me he creado aquí en el menú también la opción de generar nueva diapositiva o generar múltiples diapositivas Entonces le doy a generar diapositiva y de momento es capaz de pasarme un título una descripción y una y una imagen entonces bueno Estaba yo ahora también practicando con el código un poco jugando con él para que ya
pues me lo ajuste no ya no solamente me lo genere y me lo plasme ahí directamente sino que me lo ajuste y me lo ponga bonito bueno las funciones cada vez se van complicando más eh y más y más y y bueno este indagar más porque un poco eh de Cara a otras sesiones porque sí que me interesaría que fuera capaz de yo pasarle un prompt de generarme una presentación de 10 slides sobre Inteligencia artificial y que fuera capaz de generarme las 10 slides un poco el objetivo que Quiero lograr yo a ver si lo
consigo y y os paso esa función entonces bueno Esto es lo que me ha generado ahora lo que he dicho pues una especie de título descripción y imagen pero que no es capaz de todavía ni ni de cuadrar en el en el recuadro de la slide no de la diapositiva ni ajustarme los tamaños bien y nada Y por último ya lo dejamos por hoy poco a poco os iré enseñando más cosas de estas integraciones lo que me habéis preguntado antes la semana que viene ya os voy a compartir un Drive con todas estas funciones para
que podáis copiar y pegar incluso con instrucciones un poco de los pasos a seguir si no os acordáis y y nada iremos viendo eh más luego eh como viene siendo costumbre me gusta terminar las sesiones con novedades os voy a enseñar una no perdonad os voy a enseñar hoy un par que una es Microsoft que lanza correction no sé si habéis escuchado hablar de esto pero bueno Es una herramienta para combatir alucinaciones el concepto alucinaciones dentro de Inteligencia artificial es básicamente cuando detectas que la Inteligencia artificial se ha inventado lo que está diciendo que no
es verdad no se lo está inventando no es verdad Entonces por tanto es errónea la información que te está transmitiendo Entonces cuando te da información errónea se habla de alucinaciones bueno Microsoft ha lanzado una especie de Software que lo que es capaz de detectar estas alucinaciones y sugerir una corrección Bueno es un software que todavía no no está en el mercado ni ni se puede acceder a él pero bueno os lo comento porque lo han anunciado justo esta semana y probablemente pues las próximas semanas iremos más información sobre esto yo creo que es algo que
se incorporará no lo utilizaremos directamente nosotros decir no habrá una herramienta que se llame correction donde accedamos y la utilicemos probablemente vaya ya integrados en los propios modelos de lenguaje como este integrado directamente con Open por ejemplo y Bueno quer creía que había apuntado aquí otra novedad en el slide se me ha olvidado pero bueno la comento por Yo sí que la tenía aquí apuntado incluso os lo puedo enseñar en la herramienta que es que simplemente como noticia tengo aquí que James Cameron se une a stability puni vale James Cameron el director de cine reconocido
por las películas pues más conocidas no Titanic y y Avatar Pues bueno ha entrado con esta empresa de lleno a colaborar y porque su objetivo es aplicar stability y empezar a incorporarlo en las películas Entonces qué va a conseguir esto pues al final Pues que se generen efectos especiales mucho más eh visuales y capaz de proponer los guiones eh editar las propias escenas incluso generar contenido y esto que va a hacer pues pues probablemente que se usen muchos menos recursos y el tiempo de de producción sea sea menor vale stability para el que no lo
conociese es una herramienta de Inteligencia artificial que se dedica a generar contenido Pues de vídeo de imágenes y y tal lo podéis cotillear si queréis incluso podéis probar es capaz de generar hasta hasta hasta audio Bueno pues hay se está invirtiendo mucho en stability y nada lo lanzo también como novedad de Inteligencia artificial para que veáis un ejemplo de no otro sector distinto Pues que se va a empezar a Bueno ya se implementa no en el cine pero ya eh probablemente cada vez veamos más tipo de de cine incluso llega un momento en el que
veamos cine solamente creado por Inteligencia artificial y y nada hasta aquí la clase de hoy no sé si queréis preguntar algo alguna duda Cos haya surgido hoy a lo largo de la sesión o que tengáis de otra cosa algo que queráis comentar pregunta José Cuando ponías Google docs eh A través de app además claro se pone solo en el documento que estás trabajando o te sirve ya cuando haces un documento nuevo ya te aparece es para todo No eso Eh Esto en general el el extensiones Pues tengo una duda yo ahora la verdad estoy dudando
bueno no lo prob lo Probaré puedo hacer el ejemplo aquí puedo hacer el ejemplo aquí en directo a ver si el que lo que hemos creado lo tenemos ya no en teoría cada cada vez que abrimos extensión es este el app Script el Script se genera solamente para este documento tiene que haber 100% una manera de incorporarlo A todo no No sabría decirte Ahora mismo cómo se hace Pero tiene que haber alguna manera de configurar que este app Script sea genérico hacerlo de manera de manera global vale Te parece lo investigo Daniel y y os
digo también la semana que viene de cómo incorporar para que se quede ya siempre configurado s que es verdad que es muy cómodo para que no tener que hacerlo cada vez que entres claro eso siempre tirai o sea que tienes que pagar por token siempre que lo Efectivamente es decir para implementar chpt hay que tú pagas tokens Es decir para el acceso de la Api No no es gratuito sino que tienes que comprar tokens y cada uso pues depende de lo que le pidas eh consume más tokens o menos de hecho si os fijáis aquí
en el modelo yo le pongo un máximo máximo de tokens esto también es configurable Es decir que a lo mejor no queréis gastar tanto pues le ponéis menos en ve de 300 pores 150 lo que queráis alguna pregunta más Jos activar alguna ap con el Google chips para para con para lanzarlo con con Open o con con cualquiera de ellos o simplemente con la con la digamos con el Script que relacionas ha el llamado directamente contra el llm contra el sistema que se requiera es dec el scpt que estamos ejecutando está haciendo directamente la llamada
contra la Api de Open Ah okay entiendo es decir no es necesario configurar nada sobre Google sheet para hacer la llamada de la Api sino el código por sí solo ejecuta ese llamado claro el código este lo que hacemos Esto es lo que está haciendo es hacer la llamada hgpt Entonces esto exactamente esto de aquí del código Esto es lo que hace la llamada hgpt vale esto eh si no sabéis Cómo hacer una llamada de apis o preguntáis hgpt directamente al que tenga un perfil más técnico y le interese si os vais a platform eh
Open tal aquí tenéis toda la documentación Api reference toda la toda la información de la Api de cómo funciona Cómo se conecta Cómo se hac request aquí te lo explican todo todos los parámetros que le puedes pasar para que sea más técnico y le interese aquí tiene absolutamente toda la información de cómo eh le devuelve la información gpt como la puede tratar Qué tipo de información absolutamente todo ficheros chat embeddings de copiar y pegar de todo tenéis aquí alguno más tiene alguna pregunta Vale pues si no hay más preguntas hasta aquí la clase de hoy
Muchas gracias a todos por asistir Espero que os esté gustando las clases y nada nos vemos la la semana muchas gracias buenas noches hasta la semana que viene Gracias Gracias hasta luego Gracias hasta luego Hasta luego chao al al al al al al al al al al al al al al al al al al al al al al al al al al al al al al al al al al al al al al al