Modelos de IA 1

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

En el aprendizaje por refuerzo: Necesita siempre disponer de datos etiquetados previamente. 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. Q-Learning y Deep Q-Network (DQN) son algoritmos típicos de este paradigma.

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

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

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

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: Manejar los datos sensibles o privados con técnicas como el enmascaramiento de datos. Monitorizar el uso para detectar sesgos o respuestas inadecuadas. Implementar controles para evitar alucinaciones o respuestas incorrectas. Permitir el uso de cualquier tipo de dato sensible sin necesidad de enmascaramiento, ya que el LLM lo gestiona automáticamente.

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

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

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

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

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

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

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

Sobre los modos de razonamiento de los modelos de IA, ¿cuáles son correctas?. Las redes Bayesianas son un ejemplo clásico de modelo probabilístico. Los modelos lógicos emplean reglas IF-THEN y son altamente explicables. Los modelos lógicos emplean reglas IF-THEN y son altamente explicables. 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. Se enmarca dentro de lo que se conoce como IA fuerte. Está plenamente implementada hoy en día en los asistentes virtuales comerciales. Aspira a ser capaz, como un humano, en cualquier tarea.

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

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

Los elementos esenciales que debemos definir para resolver un problema en IA son: Cualquier sistema basado exclusivamente en redes neuronales profundas. La capacidad de un computador de simular conciencia y emociones humanas. La ciencia e ingeniería de hacer máquinas inteligentes, especialmente programas informáticos inteligentes. Un conjunto de algoritmos que requieren obligatoriamente aprendizaje a partir de datos.

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