🧠
Módulo 1: Fundamentos de la IA
Tipos de IA, Machine Learning y Redes Neuronales
⏱️ Tiempo estimado de lectura: 25 minutos
Capítulo 1: Tipos de Inteligencia Artificial
Para aprobar, es vital distinguir entre mirar al pasado y crear contenido nuevo.
1. IA Predictiva (Predictive AI):
Utiliza datos históricos y algoritmos estadísticos para identificar patrones y predecir resultados futuros. No crea nada nuevo, solo calcula probabilidades.
*Ejemplo:* Lead Scoring (puntuación de clientes), previsión de ventas (Forecasting).
2. IA Generativa (GenAI):
Utiliza algoritmos de Machine Learning para crear contenido nuevo y original (texto, imágenes, código) basado en patrones aprendidos.
*Ejemplo:* Redactar un email de ventas personalizado, crear una imagen de marketing.
3. Machine Learning (ML):
Es el motor detrás de la IA. Tipos principales:
- Supervisado: Entrenamos al modelo con datos etiquetados (ej: fotos de gatos con la etiqueta 'gato').
- No Supervisado: El modelo busca patrones en datos sin etiquetar por sí mismo.
4. NLP (Procesamiento del Lenguaje Natural):
La rama de la IA que permite a las máquinas entender, interpretar y generar lenguaje humano. Es lo que permite que un Chatbot entienda qué le dices.
1. IA Predictiva (Predictive AI):
Utiliza datos históricos y algoritmos estadísticos para identificar patrones y predecir resultados futuros. No crea nada nuevo, solo calcula probabilidades.
*Ejemplo:* Lead Scoring (puntuación de clientes), previsión de ventas (Forecasting).
2. IA Generativa (GenAI):
Utiliza algoritmos de Machine Learning para crear contenido nuevo y original (texto, imágenes, código) basado en patrones aprendidos.
*Ejemplo:* Redactar un email de ventas personalizado, crear una imagen de marketing.
3. Machine Learning (ML):
Es el motor detrás de la IA. Tipos principales:
- Supervisado: Entrenamos al modelo con datos etiquetados (ej: fotos de gatos con la etiqueta 'gato').
- No Supervisado: El modelo busca patrones en datos sin etiquetar por sí mismo.
4. NLP (Procesamiento del Lenguaje Natural):
La rama de la IA que permite a las máquinas entender, interpretar y generar lenguaje humano. Es lo que permite que un Chatbot entienda qué le dices.
Puntos Clave
- ✓ Predictiva = Analiza el pasado (Probabilidad).
- ✓ Generativa = Crea contenido nuevo (Originalidad).
- ✓ NLP es el puente entre el humano y la máquina.
- ✓ Machine Learning es el campo general; Deep Learning es un subcampo más complejo.
Capítulo 2: LLMs y Redes Neuronales
Un LLM (Large Language Model) es un modelo de aprendizaje profundo (Deep Learning) entrenado con cantidades masivas de datos para entender y generar texto.
¿Cómo funciona?
No 'sabe' cosas, simplemente predice la siguiente palabra (o token) más probable en una secuencia.
Conceptos clave:
- Tokens: La unidad básica de texto para un LLM. Aproximadamente 1 token = 0.75 palabras.
- Parámetros: Variables internas que el modelo ajusta durante el entrenamiento. Más parámetros = mayor capacidad de razonamiento.
- Entrenamiento: El proceso de alimentar al modelo con datos para que aprenda patrones.
¿Cómo funciona?
No 'sabe' cosas, simplemente predice la siguiente palabra (o token) más probable en una secuencia.
Conceptos clave:
- Tokens: La unidad básica de texto para un LLM. Aproximadamente 1 token = 0.75 palabras.
- Parámetros: Variables internas que el modelo ajusta durante el entrenamiento. Más parámetros = mayor capacidad de razonamiento.
- Entrenamiento: El proceso de alimentar al modelo con datos para que aprenda patrones.
Puntos Clave
- ✓ LLM predice la siguiente palabra basándose en probabilidad.
- ✓ Tokenización es el proceso de convertir texto en números para la IA.
- ✓ Deep Learning utiliza redes neuronales multicapa (como el cerebro humano).