LLMs Avanzados para Tareas de PLN

Introducción a los LLMs y la IA Generativa

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

Uso de LLMs para tareas de CLN

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

Uso de LLMs para tareas de ILN

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

Uso de LLMs 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 LLMs para razonamiento del sentido común

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

Uso de LLMs para generación de diálogos

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

Uso de LLMs 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 LLMs para meta-aprendizaje

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

Uso de LLMs para aprendizaje adversarial

• Defensa de los LLMs contra ataques maliciosos.
• Detección y mitigación de sesgos y errores en los LLMs.
• Utilización de conjuntos de datos y métodos de aprendizaje adversarial y robustez.

Evaluación de LLMs e IA Generativa

• Valoración de la calidad y diversidad del contenido.
• Uso de métricas como la puntuación de inicio (inception score), la distancia de Frechet inception (FID) y la puntuación BLEU.
• Utilización de métodos de evaluación humana como crowdsourcing y encuestas.
• Utilización de métodos de evaluación adversarial como las pruebas de Turing y discriminadores.

Aplicación de principios éticos para LLMs e IA Generativa

• Garantía de equidad y responsabilidad.
• Evitar el uso indebido 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