LLMs avanzados para tareas de PNL

Introducción a los LLM e inteligencia artificial generativa

• Exploración de técnicas y modelos.
• Análisis de aplicaciones y casos de uso.
• Identificación de desafíos y limitaciones.

Uso de LLM para tareas de CLN

• Análisis de sentimiento.
• Reconocimiento de entidades nombradas.
• Extracción de relaciones.
• Parsing semántico.

Uso de LLM para tareas de ILN

• Detección de entrelazamiento (entailment).
• Detección de contradicción.
• Detección de paráfrasis.

Uso de LLM para grafos de conocimiento

• Extracción de hechos y relaciones a partir de texto.
• Inferencia de hechos faltantes o nuevos.
• Utilización de grafos de conocimiento para tareas posteriores.

Uso de LLM para razonamiento de sentido común

• Generación de explicaciones, hipótesis y escenarios plausibles.
• Uso de bases de datos y conjuntos de conocimiento de sentido común.
• Evaluación del razonamiento de sentido común.

Uso de LLM para generación de diálogos

• Generación de diálogos con agentes conversacionales, chatbots y asistentes virtuales.
• Gestión de diálogos.
• Uso de conjuntos de datos y métricas de diálogo.

Uso de LLM para generación multimodal

• Generación de imágenes a partir de texto.
• Generación de texto a partir de imágenes.
• Generación de videos a partir de texto o imágenes.
• Generación de audio a partir de texto.
• Generación de texto a partir de audio.
• Generación de modelos 3D a partir de texto o imágenes.

Uso de LLM para meta-aprendizaje

• Adaptación de LLM a nuevos dominios, tareas o idiomas.
• Aprendizaje a partir de ejemplos con pocos datos (few-shot) o sin datos (zero-shot).
• Uso de conjuntos de datos y frameworks de meta-aprendizaje y aprendizaje por transferencia.

Uso de LLM para aprendizaje adversarial

• Defensa de LLM frente a ataques malintencionados.
• Detección y mitigación de sesgos y errores en LLM.
• Uso de conjuntos de datos y métodos de aprendizaje adversarial y robustez.

Evaluación de LLM e inteligencia artificial generativa

• Evaluación de la calidad y diversidad del contenido.
• Uso de métricas como Inception Score, Frechet Inception Distance (FID) y BLEU.
• Métodos de evaluación humana como crowdsourcing y encuestas.
• Métodos de evaluación adversarial como pruebas de Turing y discriminadores.

Aplicación de principios éticos para LLM e IA generativa

• Garantizar equidad y responsabilidad.
• Evitar mal uso y abuso.
• Respetar los derechos y la privacidad de creadores y consumidores de contenido.
• Fomentar la creatividad y colaboración entre humanos e IA.

Resumen y próximos pasos