BIMPRAXIS

Julio Pablo Vazquez
  • 0.0(0개의 평가)
  • 과학 기술
  • 매일 업데이트

Podcast oficial de BIMPRAXIS. Hablamos de Inteligencia Artificial, Building Information Modeling, por separado o en virtuosa intersección (IA + BIM).

  1. E038_El_salto_de_Word2Vec_a_BERT

    1일 전

    E038_El_salto_de_Word2Vec_a_BERT

    Entendiendo el significado de las palabras con IA La inteligencia artificial puede aprender a entender el significado de las palabras a través de modelos como Word2Vec, Glove y FastText, que utilizan vectores para representar las relaciones semánticas entre palabras. Estos modelos pueden aprender a partir de grandes cantidades de texto y capturar relaciones complejas, como la similitud entre palabras y la relación entre conceptos. Sin embargo, tienen limitaciones, como la creación de representaciones estáticas que no dependen del contexto. El modelo BERT, desarrollado por Google en 2018, revolucionó este campo al introducir un enfoque bidireccional que permite al modelo leer y entender el texto de manera más similar a como lo hace un humano.

    18분
  2. E037_Beethoven y la IA: Rompiendo las cuerdas

    4일 전

    E037_Beethoven y la IA: Rompiendo las cuerdas

    🎹 ¿Sabías que el genio de Beethoven dependía de una tecnología que apenas acababa de inventarse? 🎼 Viajamos a la Viena de finales del siglo XVIII para descubrir cómo la revolución industrial del piano permitió una expresividad y un rango dinámico antes tecnológicamente imposibles. Exploramos cómo las mejoras en el hardware permitieron al artista romper con lo establecido y crear un nuevo tipo de arte, transformando para siempre la experiencia humana. ✨ 🧠 Hoy, nuestros teclados controlan instrumentos mucho más extraños y potentes: la Inteligencia Artificial. ⚡️ Analizamos el ensayo Measure Up de Dean W. Ball para entender por qué los modelos de lenguaje son los pianos de nuestra era y cómo, al igual que Beethoven, debemos atrevernos a romper las cuerdas de estos nuevos simuladores cognitivos para descubrir su verdadero potencial y ver si realmente dan la talla. 🚀 Fuentes: • Measure Up - Dean W. Ball

    16분
  3. E036_¿La IA debe imitar nuestros defectos o corregirlos?

    6일 전

    E036_¿La IA debe imitar nuestros defectos o corregirlos?

    ¿Alguna vez te has preguntado si la Inteligencia Artificial debería imitar nuestros defectos o corregirlos? 🤖 En este episodio exploramos el fascinante dilema entre “enmascarar o reflejar”, analizando un experimento masivo donde modelos como Gemini, GPT y Claude simularon una elección de líderes en un escenario de supervivencia 🌊. Descubre por qué algunas IAs actúan como un espejo fiel de los prejuicios humanos (incluyendo el sesgo de género), mientras que otras intentan ponerse una máscara de meritocracia para tomar decisiones más óptimas, aunque menos “humanas”. 🎭 Los hallazgos revelan una tensión crítica para el futuro de la tecnología social: mientras unos modelos replican nuestra tendencia a sobre-elegir líderes masculinos 👔, otros logran mejores resultados ignorando las señales sociales. Analizamos qué ocurre cuando ocultamos la identidad a la IA y por qué el contexto es la clave de todo. ¡Dale al play ▶️ para descubrir si queremos que la tecnología sea nuestro reflejo exacto o nuestra mejor versión posible! 🚀 Fuentes: • To Mask or to Mirror: Human-AI Alignment in Collective Reasoning (ACL Anthology)

    17분
  4. E035_Thinking Machines Lab: Crea y entrena tus propios modelos de IA con Tinker

    2월 8일

    E035_Thinking Machines Lab: Crea y entrena tus propios modelos de IA con Tinker

    🚀 ¿El fin de la era de los chatbots genéricos? Mira Murati (ex-CTO de OpenAI) regresa a lo grande con Thinking Machines Lab tras levantar 2.000 millones de dólares. Pero no esperes otro clon de ChatGPT; su propuesta, Tinker, es una revolución técnica diseñada para devolverte el control absoluto. 🧠 En este episodio desglosamos qué es exactamente esta “cocina industrial” de IA que promete resolver el gran talón de Aquiles de los modelos actuales: la consistencia y el razonamiento fiable, permitiendo a los desarrolladores cocinar sus propios modelos sin preocuparse por la infraestructura pesada. 🛠️ Olvídate de los prompts mágicos; aquí venimos a hablar de ingeniería real. Analizamos cómo Tinker abstrae la complejidad de los clústeres de GPUs para que, con tu propio script de Python y tus datasets, puedas entrenar desde modelos multimodales que “ven” interfaces hasta agentes autónomos que aprenden por ensayo y error en entornos simulados. 🎓 Descubre si tienes lo necesario para pasar de usuario a arquitecto de IA y cómo esta herramienta permite crear modelos expertos capaces de interactuar con software de ingeniería o medicina. 🎧 ¡Dale al play para entender el futuro de la IA personalizada!

    16분
  5. E034_La historia de Perplexity

    2월 5일

    E034_La historia de Perplexity

    En este episodio, analizamos cómo un fanboy de Larry Page está utilizando el “dilema del innovador” en contra del gigante de las búsquedas: mientras Google teme canibalizar sus millonarios ingresos publicitarios, Perplexity ofrece respuestas directas, citadas y precisas. Descubre cómo esta startup actúa como un director de orquesta 🎻 de la inteligencia artificial, integrando múltiples modelos para priorizar la velocidad y la veracidad sin los costes imposibles de sus competidores. De valer 520 millones a 14.000 millones de dólares en tiempo récord 🚀, Perplexity se ha convertido en el unicornio más codiciado del momento. Exploramos su crecimiento explosivo de usuarios, los rumores de alianzas estratégicas con Apple 🍏 o Samsung que podrían cambiar las reglas del juego en nuestros móviles, y qué significa realmente el concepto técnico de “perplejidad” en los modelos de lenguaje. Dale al play ▶️ para entender si estamos ante el fin de la hegemonía de los “10 enlaces azules” y quién ganará este nuevo Juego de Tronos de la IA. ⚔️

    20분
  6. E033_La Unificación de la Inteligencia Visual y Científica 2025-2026 (Fin de la serie)

    2월 3일

    E033_La Unificación de la Inteligencia Visual y Científica 2025-2026 (Fin de la serie)

    ¿Te imaginas una IA que no solo escribe código, sino que evoluciona sus propios algoritmos para descubrir matemáticas nuevas? 🧬 En este episodio exploramos a fondo AlphaEvolve, el revolucionario agente de codificación de Google DeepMind que está redefiniendo los límites de la ciencia y la computación. A diferencia de los modelos de lenguaje tradicionales que pueden alucinar, este sistema utiliza un enfoque evolutivo para iterar, corregir y superoptimizar soluciones mediante la ejecución real de código. Desde mejorar la eficiencia de los centros de datos de Google ☁️ hasta rediseñar circuitos de hardware, analizamos cómo esta tecnología está cerrando la brecha entre la generación de ideas y el descubrimiento científico verificable. 🚀 Descubre cómo AlphaEvolve logró romper un estancamiento de 56 años al encontrar un algoritmo más rápido para la multiplicación de matrices complejas 4x4 y cómo ha resuelto problemas abiertos en combinatoria y geometría que desafiaban a los expertos. 🤯 Debatiremos sobre su capacidad para actuar como un colaborador de investigación, generando matemáticas constructivas a escala y encontrando soluciones que escapan a la intuición humana. Si te apasiona la intersección entre la Inteligencia Artificial, la ingeniería de software extrema y los grandes enigmas teóricos, este episodio es imprescindible. ¡Dale al play y acompáñanos a vislumbrar el futuro de la optimización algorítmica! 🎧⚡ Enlaces relevantes: • Paper original: AlphaEvolve: A coding agent for scientific and algorithmic discovery • Artículo en el blog de Google DeepMind sobre AlphaEvolve • Paper complementario: Mathematical exploration and discovery at scale

    17분
  7. E032_La destilación del conocimiento en los modelos de lenguaje grandes (LLM)

    2월 1일

    E032_La destilación del conocimiento en los modelos de lenguaje grandes (LLM)

    ¿Alguna vez te has preguntado cómo logramos que los gigantescos Modelos de Lenguaje Grande (LLMs) quepan en dispositivos más pequeños sin perder su “inteligencia”? 🧠✨ En este episodio desglosamos el fascinante mundo de la Knowledge Distillation (Destilación de Conocimiento), la técnica maestra que transfiere la sabiduría de un modelo “profesor” masivo a un “alumno” ágil y eficiente. 📱 Pero hay una trampa en los métodos actuales: descubriremos por qué los atajos populares, como guardar solo las probabilidades más altas (Top-K), están creando modelos sesgados y peligrosamente sobreconfiados en sus errores. 🚫🔍 Nos sumergimos en la última investigación de 2025, “Sparse Logit Sampling”, que propone una solución elegante y poderosa: la Random Sampling Knowledge Distillation. 📉💡 Analizamos cómo este nuevo enfoque utiliza el muestreo por importancia para lograr estimaciones imparciales almacenando apenas 12 tokens (frente a los miles habituales), reduciendo drásticamente el almacenamiento sin sacrificar la calidad del aprendizaje. 🚀 Dale al play para entender cómo esta técnica preserva la información crítica de la “cola” de probabilidades y está redefiniendo la eficiencia en la IA con un coste computacional mínimo. 🎧🔥 Enlaces relevantes: • Paper original: Sparse Logit Sampling: Accelerating Knowledge Distillation in LLMs (ArXiv) • Conceptos básicos: Destilación de Conocimiento (Wikipedia)

    15분
  8. E031_Los modelos de lenguaje pequeños son el futuro

    1월 30일

    E031_Los modelos de lenguaje pequeños son el futuro

    ¿Y si te dijera que el futuro de la Inteligencia Artificial no está en hacer los modelos más grandes, sino más pequeños? 🤔 Mientras el mundo sigue maravillado con la capacidad de conversación humana de los LLMs masivos, una nueva investigación plantea que los Small Language Models (SLMs) son la verdadera clave para escalar la IA Agéntica. 🤖 En este episodio, desglosamos por qué utilizar modelos gigantes para tareas repetitivas es ineficiente y cómo los SLMs están demostrando ser suficientemente poderosos, mucho más adecuados y necesariamente más económicos para los sistemas autónomos que vienen. Sumérgete con nosotros en el fascinante concepto de los sistemas agénticos heterogéneos, una arquitectura donde múltiples modelos colaboran y donde la especialización supera a la generalización. 💡 Hablaremos sobre la propuesta de convertir agentes basados en LLM a versiones SLM más ligeras y rápidas, reduciendo drásticamente los costes de despliegue sin sacrificar rendimiento. Si quieres entender por qué la agilidad y la eficiencia operativa están a punto de destronar al tamaño bruto en la industria de la IA, este análisis es para ti. ¡Dale al play y adelántate a la próxima gran tendencia tecnológica! 🚀📉 Fuentes mencionadas: • Paper: Small Language Models are the Future of Agentic AI (arXiv)

    14분
모두 보기(38개)

소개

Podcast oficial de BIMPRAXIS. Hablamos de Inteligencia Artificial, Building Information Modeling, por separado o en virtuosa intersección (IA + BIM).

정보

  • 제작진
    Julio Pablo Vazquez
  • 방송 연도
    2026년
  • 에피소드
    38
  • 등급
    전체 연령 사용가
  • 저작권
    © Julio Pablo Vazquez Lopez
  • 웹사이트 보기
    BIMPRAXIS