Seguimos con la conversación con Cris Pedregal, PhD, y Agustín Schapira, abordando temas sobre Machine Learning y la IA generativa. Hablamos de agentes y asistentes con personalidad, diseñados para ofrecer interacciones cada vez más humanas y contextualizadas. Analizamos cómo estos sistemas aprenden en diferentes etapas: el entrenamiento inicial, que alimenta los modelos con grandes volúmenes de datos para captar patrones del lenguaje; el fine-tuning, que ajusta estos modelos para tareas específicas, perfeccionando su rendimiento en ámbitos concretos; y la inferencia, donde el sistema genera respuestas en tiempo real, aplicando lo aprendido. Además, discutimos los formatos que estos sistemas aceptan y procesan, desde texto hasta audio e imágenes, dependiendo de la arquitectura del modelo.
Otra cuestión fundamental es la diferencia entre las representaciones humanas de significado y las representaciones estadísticas que emplean las máquinas. Los humanos representan «significados», mientras que las máquinas trabajan con modelos estadísticos y probabilísticos para generar información. Entender esta relación es clave para comprender las capacidades y limitaciones de la IA.
Hablamos también de la paciencia necesaria para interactuar con estos sistemas, ya que todavía evolucionan y presentan errores o limitaciones. La paciencia, junto con la mejora continua de los modelos mediante datos nuevos y fine-tuning, resulta imprescindible para avanzar en su perfeccionamiento. También hablamos de literatura y de figuras como Cervantes, Borges (sí, hacemos referencia a su cuento «La Biblioteca de Babel») y Shakespeare.
Finalmente, analizamos cómo la profesión de ingeniería de software y ciencias de la computación está siendo transformada por estos avances. La interdisciplinariedad, el trabajo con datos y modelos, y una visión amplia, están redefiniendo el perfil profesional y ampliando los límites del campo.
