Modelos de Lenguaje Avanzados (LLM) para Tareas de PNL

Introducción a los LLM e inteligencia artificial generativa

• Exploración de técnicas y modelos.
• Discusión sobre aplicaciones y casos de uso.
• Identificación de desafíos y limitaciones.

Uso de LLM para tareas de CLN (Comprensión del Lenguaje Natural)

• Análisis de sentimiento.
• Reconocimiento de entidades nombradas.
• Extracción de relaciones.
• Parseo semántico.

Uso de LLM para tareas de ILN (Inferencia del Lenguaje Natural)

• Detección de entrelazamiento o implicación lógica.
• Detección de contradicciones.
• Detección de paráfrasis.

Uso de LLM para grafos de conocimiento

• Extracción de hechos y relaciones a partir de texto.
• Inferencia de hechos faltantes o nuevos.
• Utilización de grafos de conocimiento para tareas posteriores.

Uso de LLM para razonamiento de sentido común

• Generación de explicaciones, hipótesis y escenarios plausibles.
• Uso de bases de conocimientos y conjuntos de datos de sentido común.
• Evaluación del razonamiento de sentido común.

Uso de LLM para generación de diálogos

• Generación de diálogos con agentes conversacionales, chatbots y asistentes virtuales.
• Gestión de diálogos.
• Uso de conjuntos de datos de diálogos y métricas correspondientes.

Uso de LLM para generación multimodal

• Generación de imágenes a partir de texto.
• Generación de texto a partir de imágenes.
• Generación de videos a partir de texto o imágenes.
• Generación de audio a partir de texto.
• Generación de texto a partir de audio.
• Generación de modelos 3D a partir de texto o imágenes.

Uso de LLM para aprendizaje por transferencia (meta-aprendizaje)

• Adaptación de LLM a nuevos dominios, tareas o idiomas.
• Aprendizaje a partir de ejemplos con pocas muestras o sin ejemplos (zero-shot).
• Uso de conjuntos de datos y frameworks de meta-aprendizaje y aprendizaje por transferencia.

Uso de LLM para aprendizaje adversarial

• Defensa de LLM contra ataques maliciosos.
• Detección y mitigación de sesgos y errores en los LLM.
• Uso de conjuntos de datos y métodos de aprendizaje adversarial y robustez.

Evaluación de LLM e inteligencia artificial generativa

• Evaluación de la calidad y diversidad del contenido.
• Uso de métricas como el puntaje Inception, la distancia Fréchet de Inception (FID) y el puntaje BLEU.
• Métodos de evaluación humana como crowdsourcing y encuestas.
• Métodos de evaluación adversarial como pruebas de Turing y discriminadores.

Aplicación de principios éticos para LLM e inteligencia artificial generativa

• Garantía de equidad y responsabilidad.
• Prevención de uso indebido y abusos.
• Respeto a los derechos y la privacidad de creadores y consumidores de contenido.
• Fomento de la creatividad y colaboración entre humanos e IA.

Resumen y próximos pasos