LLMs Avanzados para Tareas de PLN

Introducción a LLM e Inteligencia Artificial Generativa

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

Uso de LLM para tareas de Comprensión del Lenguaje Natural (CLN)

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

Uso de LLM para tareas de Inferencia del Lenguaje Natural (ILN)

• Detección de implicación.
• 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.
• Uso 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 pocas muestras o sin ellas (zero-shot).
• Uso de conjuntos de datos y marcos de meta-aprendizaje y aprendizaje por transferencia.

Uso de LLM para Aprendizaje Adversarial

• Defensa de LLM frente a ataques maliciosos.
• Detección y mitigación de sesgos y errores en los 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 la puntuación de inicio (inception score), distancia de Fréchet inception y puntuación BLEU.
• Uso de métodos de evaluación humana, como crowdsourcing y encuestas.
• Uso de métodos de evaluación adversarial, como las pruebas de Turing y discriminadores.

Aplicación de Principios Éticos para LLM e Inteligencia Artificial Generativa

• Garantizar equidad y responsabilidad.
• Evitar el uso indebido y malicioso.
• Respetar los derechos y la privacidad de creadores y consumidores de contenido.
• Fomentar la creatividad y colaboración entre humanos e inteligencia artificial.

Resumen y siguientes pasos