LLMs Avanzados para Tareas de Procesamiento del Lenguaje Natural

Introducción a LLM e inteligencia artificial generativa

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

Uso de LLM para tareas de NLU

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

Uso de LLM para tareas de NLI

• Detección de entailment (entailment detection)
• Detección de contradicciones
• 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 datos de conocimientos 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
• Utilización 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

• A adaptación de LLM a nuevos dominios, tareas o idiomas
• Aprendizaje a partir de ejemplos few-shot (pocos ejemplos) o zero-shot (cero ejemplos)
• Utilización de conjuntos de datos y marcos de meta-aprendizaje y aprendizaje por transferencia

Uso de LLM para aprendizaje adversarial

• Defensa de LLM contra ataques maliciosos
• Detección y mitigación de sesgos y errores en LLM
• Utilización 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
• Utilización de métricas como la puntuación Inception, la distancia de Incepción Fréchet (FID) y la puntuación BLEU
• Utilización de métodos de evaluación humana como crowdsourcing y encuestas
• Utilización de métodos de evaluación adversarial como pruebas de Turing y discriminadores

Aplicación de principios éticos para LLM e inteligencia artificial generativa

• Garantía de equidad y rendición de cuentas
• Prevención del uso indebido y abuso
• Respeto a los derechos y la privacidad de creadores y consumidores de contenido
• Fomento de la creatividad y colaboración entre humanos e IA

Resumen y próximos pasos