De dónde sale el mapa
La lección 1.1 te entregó un mapa terminado de significados. Pero nadie lo dibujó. Entonces, ¿de dónde salió?
La idea que hay dentro
Las palabras que llenan los mismos huecos se juntan, así que predecir la siguiente palabra aprende el mapa.
Después de esta lección
Puedes explicar cómo un modelo aprende el significado de las palabras: las usadas en contextos parecidos terminan con vectores parecidos (la hipótesis distribucional).
Adónde lleva
Ahora puede predecir y representar significado, pero sigue siendo autocompletado de texto. ¿Cómo se convierte en un asistente útil?
Dentro de esta lección
Ese es el escenario real de la lección, en pausa. Reclama tu pase para operarlo.
Mira cómo funciona la IA de verdad, de principio a fin.
Esta lección es solo una parada del arco completo. Desbloquéalo todo y consérvalo de por vida.
Lo que obtienes
- El camino principal de 34 lecciones, una ruta que sí se termina, de una palabra a los agentes
- Rutas por objetivo para usar IA en el trabajo y construir funciones con IA
- Labs de jefe que te hacen aplicar un acto entero, no solo reconocerlo
- Repaso espaciado que trae cada idea de vuelta antes de que la olvides
- Memoria del curso: cada término definido, con enlaces a donde aparece por primera vez
- Una tarjeta de capacidades para compartir cuando termines el camino principal
- Acceso de por vida en cualquier dispositivo, con todas las lecciones futuras incluidas
No son videos para mirar. Predices, operas la máquina y luego lo demuestras. Por eso se queda.
99 lecciones y retos interactivos. Sin videos, sin código.
Pase de lanzamiento gratis: acceso de por vida, sin tarjeta
¿Nuevo por aquí? Las primeras lecciones son gratis para probar. Empieza con la lección 0.1
Qué muestra esta lección
Las palabras que llenan los mismos huecos se juntan, así que predecir la siguiente palabra aprende el mapa.
La pregunta con la que abre
La lección 1.1 te entregó un mapa terminado de significados. Pero nadie lo dibujó. Entonces, ¿de dónde salió?
El recorrido, en palabras de la propia lección
- Toca dos palabras dispersas y adivina: ¿terminarán en el mismo grupo o separadas?
- Mismos huecos, otra palabra. ¿Cuál encaja en las tres?
- Dale a reproducir y mira cómo el mapa se arma solo, una frase a la vez.
- Ahí está: el mapa de la lección 1.1, aprendido desde cero.
- Este mapa está revuelto. Nadie ha colocado aún las palabras. Haz tu apuesta antes que el modelo.
- Aquí hay tres frases en las que encaja la palabra perro. ¿Qué otra palabra entra en todas?
- Cada frase acerca entre sí a las palabras que la comparten. Mira cómo las palabras dispersas se ordenan solas en dos grupos.
- Nadie las colocó. Predecir la siguiente palabra juntó a las que andan en la misma compañía. El mapa se aprendió, no se regaló.
- A estas dos las jala el mismo grupo: andan en la misma compañía en frases reales. Nadie las colocó ahí.
- Estas dos terminan en grupos distintos: casi nunca comparten una frase, así que nada las junta.
- Exacto: gato entra en cada frase donde entra perro; coche y barco no.
- No del todo: la respuesta es gato. Entra en cada hueco donde entra perro.
- Las palabras que andan en la misma compañía significan cosas parecidas, y el modelo puede medirlo sin diccionario, solo leyendo. Compartir los mismos huecos es la única pista que necesita.
- Una caricatura acelerada: el entrenamiento real toma miles de millones de lecturas y nadie conoce el mapa final de antemano.
- Cada lectura es un paso cuesta abajo de 2.4: el fallo empuja las coordenadas de las palabras en vez de un solo peso.
- Nadie las colocó. Predecir la siguiente palabra, una y otra vez, juntó a las palabras que comparten contextos, y de ahí cayó el mapa de la lección 1.1. Aprendido, nunca regalado.
- Las herramientas de búsqueda y recomendación muestran resultados que coinciden con tu significado, no solo con tus palabras exactas, así que una búsqueda de couch encuentra sofá. ¿De dónde sale ese sentido de similitud?
- De los embeddings: cada palabra o elemento recibe una posición aprendida al predecir el contexto, así que las cosas que tienen la misma compañía quedan cerca unas de otras. Nadie etiqueta a mano los sinónimos, la cercanía cae sola de la tarea de predecir.
La idea clave
Viste cómo el mapa de embeddings se armó solo a partir de texto crudo.
Qué puedes hacer después de esta lección
Puedes explicar cómo un modelo aprende el significado de las palabras: las usadas en contextos parecidos terminan con vectores parecidos (la hipótesis distribucional).
Ponte a prueba: ¿De dónde viene el mapa de palabras de un modelo (los embeddings)?
- El entrenamiento junta las palabras que rellenan los mismos huecos, así el mapa se construye solo(correcta)
- Una persona coloca cada palabra a mano
- Se copia directo de un diccionario
- Las palabras se asignan al azar y nunca se mueven
Nadie coloca las palabras a mano. Las palabras que rellenan los mismos huecos se juntan durante el entrenamiento, así que el mapa se construye solo a partir de texto crudo.
Adónde lleva: Ahora puede predecir y representar significado, pero sigue siendo autocompletado de texto. ¿Cómo se convierte en un asistente útil?
Este es el resumen escrito. La lección en sí es interactiva: arriba predices, arrastras y operas el mecanismo, y la revelación te responde.