modelos 1

Sobre los embeddings utilizados en sistemas de IA, ¿cuáles de las siguientes afirmaciones son correctas?. Conceptos semánticamente similares se traducen en vectores cercanos en el espacio. Son representaciones numéricas de texto, imágenes o datos en forma de vectores en un espacio multidimensional. Únicamente se pueden generar a partir de texto, nunca a partir de imágenes. Tienen entre 225 y 255 dimensiones.

En el aprendizaje por refuerzo: Q-Learning y Deep Q-Network (DQN) son algoritmos típicos de este paradigma. Un agente aprende a base de recompensas y penalizaciones al interactuar con un entorno. Se utiliza en sistemas como AlphaGo o en el control de brazos robóticos. Necesita siempre disponer de datos etiquetados previamente.

Sobre los distintos tipos de redes neuronales vistos en las sesiones. Los autoencoders se utilizan en aprendizaje supervisado con datos etiquetados. Las LSTM son una forma especializada de RNN, que utilizan información anterior. Las GAN entrenan dos redes que compiten entre sí para generar nuevos dato. Las CNN son particularmente útiles para identificar patrones en imágenes.

El pipeline de procesamiento de una consulta en un sistema RAG típicamente incluye: Búsqueda en la base de conocimientos para mapear los documentos relevantes. Conversión de la consulta del usuario en embeddings. Reentrenamiento completo del LLM con cada nuevo usuario. Incorporación de los datos recuperados al prompt del LLM.

Sobre los paradigmas de representación del conocimiento en IA. No son posibles los enfoques híbridos: hay que elegir necesariamente entre uno u otro paradigma. Los modelos subsimbólicos representan el conocimiento de forma distribuida (pesos, vectores). Los modelos simbólicos se basan en reglas y hechos explícitos. Los modelos simbólicos suelen ofrecer una mayor interpretabilidad.

Dentro del campo de Computer Vision se encuentran tareas como: Traducción automática entre idiomas. Detección de objetos. Segmentación semántica. Clasificación de imágenes.

En cuanto a la seguridad y gobernanza de datos en un sistema RAG, es importante: Permitir el uso de cualquier tipo de dato sensible sin necesidad de enmascaramiento, ya que el LLM lo gestiona automáticamente. Implementar controles para evitar alucinaciones o respuestas incorrectas. Manejar los datos sensibles o privados con técnicas como el enmascaramiento de datos. Monitorizar el uso para detectar sesgos o respuestas inadecuadas.

Asignar la etiqueta «spam» o «no spam» a un correo electrónico es un ejemplo claro de qué tipo de tarea: Generación. Clasificación. Regresión. Optimización combinatoria.

Sobre el Transfer Learning aplicado a Deep Learning: Requiere siempre miles de millones de ejemplos para poder aplicarse. Permite reducir tiempo de entrenamiento respecto a entrenar un modelo desde cero. Aprovecha el conocimiento de un problema ya resuelto para resolver otro relacionado. Suele requerir un menor nivel de computación que entrenar un modelo profundo desde cero.

Entre los requisitos clave para construir un sistema RAG, se encuentran: Un modelo de visión por computador para procesar imágenes obligatoriamente. Una fuente de conocimiento externa o base de datos semántica. Un modelo de generación (LLM) capaz de integrar el contexto recuperado. Un mecanismo de recuperación de información (retrieval).

Respecto al problema clásico del 8-puzzle visto como ejemplo de resolución de problemas en IA: La distancia Manhattan es otra heurística válida para este problema. El algoritmo A* puede utilizarse para guiar la búsqueda de manera más eficiente. El número de fichas fuera de lugar puede utilizarse como heurística. Es un ejemplo prototípico de aprendizaje supervisado.

Sobre el aprendizaje supervisado, ¿qué afirmaciones son correctas?. Requiere disponer de datos etiquetados. K-means es uno de sus algoritmos más representativos. Se utiliza principalmente en modelos de predicción. Algoritmos típicos son la regresión lineal, SVM o KNN.

Sobre los Transformers en el campo del Procesamiento del Lenguaje Natural (NLP): Su clave reside en el mecanismo de atención. Sólo permiten enfocarse en una parte de la secuencia de texto a la vez. Son la base de modelos como GPT o BERT. Surgieron a raíz del paper «Attention is all you Need».

Si ordenamos de MENOR a MAYOR coste y complejidad las tres principales técnicas para personalizar un LLM, el orden correcto es: Fine Tuning → RAG → Prompt Engineering. Prompt Engineering → Fine Tuning → RAG. RAG → Prompt Engineering → Fine Tuning. Prompt Engineering → RAG → Fine Tuning.

Sobre los modos de razonamiento de los modelos de IA, ¿cuáles son correctas?. Los modelos lógicos emplean reglas IF-THEN y son altamente explicables. Las redes Bayesianas son un ejemplo clásico de modelo probabilístico. Las metaheurísticas garantizan siempre encontrar la solución óptima global. Los modelos probabilísticos manejan de forma natural la incertidumbre.

Respecto a la Inteligencia Artificial General (AGI): Es capaz de superar a los humanos en absolutamente todas las tareas. Está plenamente implementada hoy en día en los asistentes virtuales comerciales. Aspira a ser capaz, como un humano, en cualquier tarea. Se enmarca dentro de lo que se conoce como IA fuerte.

Sobre las métricas de similitud vectorial utilizadas en RAG, ¿cuáles son correctas?. La distancia Manhattan mide la distancia entre dos puntos en una ciudad con vías de doble sentido. La similitud coseno mide el ángulo entre vectores y es de las más utilizada. La distancia euclídea mide la distancia recta entre dos vectores. La distancia euclídea mide la distancia entre dos vectores usando un algoritmo A*.

Los elementos esenciales que debemos definir para resolver un problema en IA son: Operadores o acciones. Estado inicial. Función de evaluación o heurística. Estado meta u objetivo.

Sobre la técnica RAG (Retrieval Augmented Generation): Únicamente funciona con modelos de la familia GPT. Sustituye por completo al fine tuning en todos los escenarios posibles. Es una técnica que mejora la generación de modelos lingüísticos incorporando conocimiento externo. Recupera información relevante de un corpus de documentos para guiar la generación de la respuesta.

Sobre las métricas de similitud vectorial utilizadas en RAG, ¿cuáles son correctas?. La distancia Manhattan mide la distancia entre dos puntos en una ciudad con vías de doble sentido. La similitud coseno mide el ángulo entre vectores y es de las más utilizada. La distancia euclídea mide la distancia recta entre dos vectores. La distancia euclídea mide la distancia entre dos vectores usando un algoritmo A*.