1
00:00:08,370 --> 00:00:09,970
Pues ya estamos aquí, buenas tardes.

2
00:00:10,010 --> 00:00:12,066
Nacho Martínez, por fin. ¿Cómo estás?

3
00:00:12,190 --> 00:00:15,810
Hola, hola, muy bien.
Gracias por la invitación.

4
00:00:16,580 --> 00:00:19,320
A ti, a ti por asistir, a ti por asistir.

5
00:00:21,440 --> 00:00:24,600
Tengo que introducir un poco
cómo nos conocimos y todo.

6
00:00:24,980 --> 00:00:31,680
Me hubiera gustado... No sé por qué se
me debió pasar en Las Vegas de conocerte.

7
00:00:31,860 --> 00:00:37,040
Quizá porque me centré mucho en ver las
sesiones puramente de bases de datos, pero estuviste

8
00:00:37,040 --> 00:00:42,660
en Las Vegas haciendo la presentación que
luego después pude ver en el SPOU, en el evento

9
00:00:42,660 --> 00:00:49,720
SPOU de este año, que era el proyecto que
hiciste de Machine Learning con League of Legends,

10
00:00:49,880 --> 00:00:53,840
con todo esto. Y de ahí te conozco.

11
00:00:54,520 --> 00:00:58,000
Cuéntanos un poco qué
cosas has hecho y tal.

12
00:00:58,000 --> 00:01:05,630
Tal, pues no sé por dónde
empezar, porque llevo ya, me

13
00:01:05,630 --> 00:01:12,870
parece que llevo 55 años y pico en oracle,
así que me ha dado muchísimo tiempo

14
00:01:12,870 --> 00:01:18,130
para hacer, pues, bastantes
cosas de todo tipo.

15
00:01:18,130 --> 00:01:24,910
En general me he centrado en inteligencia
artificial, antes trabajaba en consultoría,

16
00:01:24,910 --> 00:01:32,030
en el equipo de consultoría de de Oracle
en Madrid, y luego me cambié a un rol más internacional

17
00:01:32,030 --> 00:01:39,020
en relaciones de desarrolladores, en
marketing, y ahora trabajo más en Estados Unidos.

18
00:01:40,720 --> 00:01:44,840
Pero vamos, hay temas de
todo lo que quieras saber.

19
00:01:44,980 --> 00:01:50,400
Mira, he hecho cosas de computer vision,
de detección de objetos, segmentación de imágenes,

20
00:01:50,540 --> 00:01:57,760
hago cosas también de HPC que
básicamente es computación High

21
00:01:57,760 --> 00:02:03,920
Performance Computing que lo que permite
es hacer un montón de cosas con tarjetas gráficas

22
00:02:03,920 --> 00:02:11,580
sobre todo entrenar redes neuronales
o para generar textos o para casos

23
00:02:11,580 --> 00:02:18,920
específicos de traducir textos por ejemplo
también tiene que ver con eso, más o

24
00:02:18,920 --> 00:02:24,600
menos tener una idea mi propósito ha sido
siempre tener una idea teórica de lo que es

25
00:02:24,600 --> 00:02:30,240
la inteligencia artificial como las cosas
que existen están implementadas actualmente

26
00:02:30,240 --> 00:02:37,480
y como como se hacen en código y yo
creo que aprendiendo eso tengo ahora

27
00:02:37,480 --> 00:02:42,920
más conocimiento plan si tengo una idea
soy capaz de implementarla más fácilmente porque

28
00:02:42,920 --> 00:02:48,590
sé cómo está implementado cómo ha sido
implementado por detrás y eso me ayuda un poco

29
00:02:48,590 --> 00:02:56,140
a tener una idea de una idea más
general de inteligencia artificial que

30
00:02:56,680 --> 00:03:02,560
así que temas los que quieras lo que
quiera vamos a empezar le estoy echando un ojo a

31
00:03:02,560 --> 00:03:08,280
tu kit hub súper interesante las cosas que
tienes ahí y además mola mogollón que hagamos

32
00:03:08,280 --> 00:03:15,120
cosas así las y las compartamos porque
porque yo también cuando yo también tengo un repositorio

33
00:03:15,120 --> 00:03:20,920
cuando hago algún paquete que puede estar
así chulo de uso, pues Compartirlo le estoy

34
00:03:20,920 --> 00:03:26,850
echando un ojo al tuyo si quieres lo que
podemos hacer es abrir un canal en el que

35
00:03:28,530 --> 00:03:34,050
Compartamos cosas tuyas lo podemos
llamar lo crearé en un momento ahí,

36
00:03:35,050 --> 00:03:42,090
por ejemplo y podemos Ver
cositas de tu repositorio,

37
00:03:42,090 --> 00:03:47,610
por ejemplo que nos recomienda ¿Por dónde
me recomiendas empezar a cacharrear o cosas

38
00:03:47,610 --> 00:03:49,830
que se puedan implementar yo?

39
00:03:50,070 --> 00:03:54,070
¿Me recomiendas un repositorio para
empezar, para aprender o es muy pro?

40
00:03:54,390 --> 00:03:57,590
No, de hecho, sí te lo recomiendo.

41
00:03:57,670 --> 00:04:04,090
No es muy pro porque en general intento
simplificar los conceptos para que la gente se

42
00:04:04,090 --> 00:04:08,610
pueda meter. De hecho, tengo un montón de
repositorios que lo único que son son guías

43
00:04:08,650 --> 00:04:11,790
de cómo meterse en el
tema de Machine Learning.

44
00:04:11,790 --> 00:04:19,290
Yo algunas veces explicando algún concepto
complejo de inteligencia artificial que

45
00:04:19,290 --> 00:04:21,234
no se entienda o que sea muy nuevo.

46
00:04:21,310 --> 00:04:27,390
Por ejemplo, últimamente como en el mundo
de inteligencia artificial ha explotado el

47
00:04:27,390 --> 00:04:33,450
tema de los LLMs, de la generación de
texto, también generación de imágenes, generación

48
00:04:33,450 --> 00:04:40,970
de vídeo. Tengo varios repositorios alrededor
de conceptos así por ejemplo hice hace

49
00:04:40,970 --> 00:04:46,630
poco un repositorio bueno hice la
implementación que había hecho otra persona así funciona

50
00:04:46,630 --> 00:04:52,770
github no coges el código de otra persona
lo mejoras haces tú tu propia versión y lo

51
00:04:52,770 --> 00:04:58,970
haces algo interesante hice por ejemplo un
un repositorio que tengo que se llama draw

52
00:04:58,970 --> 00:05:05,860
a real time es un repositorio que utiliza
stable diffusion stable diffusion para quien

53
00:05:05,860 --> 00:05:12,590
no lo sepa es un modelo de generación de
imágenes open source que está disponible para

54
00:05:12,590 --> 00:05:20,310
todo el mundo y que pues tiene su propia
implementación por detrás Entonces cogí

55
00:05:20,310 --> 00:05:27,760
el repositorio de StableDiffusion, modifiqué
un par de cosas, añadí algunas técnicas

56
00:05:27,760 --> 00:05:32,720
como por ejemplo Variational Autoencoding
que parece Que da bastante miedo pero simplemente

57
00:05:32,760 --> 00:05:42,780
es una forma de coger una imagen
generada y resolver algunas partes

58
00:05:42,780 --> 00:05:49,190
que se llaman Latents que son importantes
para el modelo para saber en qué trozos de

59
00:05:49,190 --> 00:05:52,910
la imagen se van a generar cada uno
de los objetos que se van a generar.

60
00:05:52,950 --> 00:05:58,890
Bueno, en total, que en mi repositorio se
puede encontrar, por ejemplo, stable diffusion,

61
00:05:59,150 --> 00:06:05,590
pero en tiempo real. Es decir, reduciendo
el tiempo de resolver cada generación para

62
00:06:05,660 --> 00:06:10,240
aproximadamente muy pocos
segundos o fracciones de segundo.

63
00:06:10,240 --> 00:06:16,760
A lo mejor en 10 milisegundos tienes
una imagen nueva de Stable Diffusion.

64
00:06:17,160 --> 00:06:22,200
Normalmente Stable Diffusion requiere
segundos o minutos para generar imágenes porque

65
00:06:22,200 --> 00:06:26,440
requiere muchísima
capacidad de computación.

66
00:06:27,520 --> 00:06:29,360
Optimizaciones, así tengo un montón.

67
00:06:29,400 --> 00:06:31,120
Luego también tengo guías.

68
00:06:31,120 --> 00:06:34,900
Estoy viendo el Stable
Diffusion, el paquete.

69
00:06:36,600 --> 00:06:42,320
Cuéntame, es que he creado un canal, hay
Oracle y he puesto ahí tu repositorio de GitHub

70
00:06:42,320 --> 00:06:44,580
y estoy poniendo también
el de Stable Diffusion.

71
00:06:44,620 --> 00:06:51,840
¿Lo has hecho con OCI? A ver, en
general intento hacer la mayoría de

72
00:06:51,840 --> 00:06:57,780
cosas con OCI, ya que trabajo en Oracle,
pues tengo que aprovecharlo, primero porque

73
00:06:57,780 --> 00:07:05,180
me ayuda mucho con la parte de infraestructura,
No me tengo que preocupar por estar

74
00:07:05,180 --> 00:07:12,240
destrozando mi ordenador personal en hacer
este tipo de cosas, sobre todo cuando hago

75
00:07:12,460 --> 00:07:18,760
cosas así de High Performance Computing,
intento utilizar las tarjetas gráficas de Oracle,

76
00:07:19,020 --> 00:07:26,710
que son realmente económicas
para problemas así, cuestan

77
00:07:26,710 --> 00:07:30,030
alrededor de 1 o 2 dólares por hora.

78
00:07:30,030 --> 00:07:37,380
Son unas tarjetas gráficas que no sé si la
gente comprende realmente por qué el stock

79
00:07:37,380 --> 00:07:43,620
de nvidia por ejemplo está a más de mil
millones de dólares y es o sea más de un trillón

80
00:07:43,620 --> 00:07:50,120
de dólares en nuestro caso el motivo real
es porque las tarjetas gráficas que tienen

81
00:07:50,120 --> 00:07:57,270
aparte de que son muy muy muy pequeñas son
más pequeñas de lo que la gente piensa cuestan

82
00:07:57,270 --> 00:08:01,570
alrededor de 15 mil a 20 mil dólares
cada una de de las tarjetas gráficas.

83
00:08:01,570 --> 00:08:08,050
Sí, sí, lo sé tengo a mi hijo al día con
tema de tarjetas gráficas y, madre mía, vimos

84
00:08:08,050 --> 00:08:13,890
la adquisición de tarjetas gráficas
por Oracle de NVIDIA y era como, wow.

85
00:08:14,780 --> 00:08:21,680
Sí, sí estaban, pues eso, carísimas las
tarjetas gráficas, entonces realmente que te

86
00:08:22,280 --> 00:08:27,520
alquilen o que te permitan utilizar una
tarjeta gráfica de 20 .000 dólares en tu propia

87
00:08:27,520 --> 00:08:34,060
casa para hacer un problema Que te te
apetezca resolver, es realmente muy agradable y

88
00:08:34,060 --> 00:08:41,040
muy bueno para Que la gente pueda seguir
teniendo creatividad, aunque no tenga acceso

89
00:08:41,040 --> 00:08:43,720
a tarjetas gráficas súper caras.

90
00:08:43,740 --> 00:08:47,240
Sobre todo para inteligencia
artificial es bastante importante.

91
00:08:48,460 --> 00:08:53,560
Qué bueno te he interrumpido, perdona,
cuéntame más de tu repositorio de GitHub.

92
00:08:53,780 --> 00:08:57,400
Cositas que tengas ahí sí,
pues mira, también tengo...

93
00:08:57,400 --> 00:09:04,780
Bueno, aparte de que a lo mejor en
YouTube hay bastantes replays de algunas

94
00:09:04,780 --> 00:09:09,940
sesiones que he hecho, las sesiones que
normalmente voy haciendo se acaban subiendo allí

95
00:09:09,940 --> 00:09:15,340
por inercia en el canal de Oracle
Developers de YouTube, que es donde están todas las

96
00:09:15,340 --> 00:09:19,840
replays de todas las sesiones que he hecho
hago sesiones de inteligencia artificial he

97
00:09:19,880 --> 00:09:27,040
hecho por ejemplo tengo también
un repositorio interesante que

98
00:09:27,040 --> 00:09:34,300
al final se llama F1 Telemetry Oracle Es
un repositorio de telemetría que realmente

99
00:09:34,300 --> 00:09:42,050
no es 100 % inteligente artificial,
porque lo que se centra este repositorio

100
00:09:42,050 --> 00:09:46,430
es en extraer datos, en
generar datos sintéticos.

101
00:09:46,490 --> 00:09:52,450
En este caso, ¿has jugado alguna vez
al juego este de Steam de Fórmula 1?

102
00:09:52,570 --> 00:09:56,250
El juego oficial de Fórmula 1, o
en la Playstation o en algún lado.

103
00:09:56,290 --> 00:09:58,990
Al decir no, a ese no, a ese no.

104
00:09:59,050 --> 00:10:01,994
Te iba a preguntar también
por juegos, pero a ese no.

105
00:10:02,190 --> 00:10:09,210
Es un juego que, aparte, te puedo
contar una cosa interesante porque yo he

106
00:10:09,210 --> 00:10:15,270
trabajado en el equipo de Red Bull Racing
de Fórmula 1, en la parte de Oracle, por supuesto,

107
00:10:15,390 --> 00:10:18,490
pero he trabajado como
Data Scientist con ellos.

108
00:10:18,490 --> 00:10:24,730
Y aparte de tener a Max Verstappen y a
Checo Pérez, que son los pilotos, también Tienen

109
00:10:24,730 --> 00:10:29,590
un equipo de esports. Esto
no lo conoce la gente.

110
00:10:29,750 --> 00:10:36,650
Es un equipo que en vez de hacer carreras
en la vida real, hacen carreras en el videojuego

111
00:10:36,650 --> 00:10:44,510
y tienen competiciones realmente, son
realmente unas fieras igual que los conductores

112
00:10:44,510 --> 00:10:50,590
reales. De hecho, el conductor que ahora
mismo está conduciendo el equipo de esports

113
00:10:50,590 --> 00:10:52,812
de Red Bull, que se llama Sebastian Job,

114
00:10:53,600 --> 00:11:00,520
que tuve la oportunidad de pasar una tarde
con él hace dos años, me parece, en Londres.

115
00:11:00,540 --> 00:11:08,000
Estuvo dándome un tour realmente es súper,
súper humilde porque nos dio un tour él

116
00:11:08,000 --> 00:11:14,160
mismo de todas las facilities allí en los
headquarters de Red Bull, en Milton Keynes.

117
00:11:15,370 --> 00:11:20,750
Y nos dio también una masterclass,
estuvimos ahí conduciendo con él dos horas en el simulador

118
00:11:20,750 --> 00:11:24,194
y nos dijo, pues mira, así es
como se conduce realmente y tal.

119
00:11:24,560 --> 00:11:28,280
¡Qué bueno! Bueno, como tienen un...

120
00:11:28,280 --> 00:11:35,860
Lo que quería decir es que como tienen un
equipo de Fórmula 1, de eSports, también

121
00:11:35,860 --> 00:11:39,000
hemos hecho cosas con
la telemetría del juego.

122
00:11:39,000 --> 00:11:46,100
Es decir, había que encontrar una forma de
coger los datos que se pueden encontrar en

123
00:11:46,100 --> 00:11:48,660
el juego, extraerlos con Python.

124
00:11:48,780 --> 00:11:55,900
En este caso, yo lo que hice
es utilizar un simulador de

125
00:11:55,900 --> 00:12:00,700
paquetes que permite leer los paquetes
porque normalmente van cifrados.

126
00:12:00,700 --> 00:12:06,100
Entonces, un descifrador de paquetes que
alguien había hecho, los utilicé, los conecté

127
00:12:06,100 --> 00:12:11,540
con una base de datos de Oracle para poder
tener ahí, a medida que una persona va jugando,

128
00:12:11,640 --> 00:12:15,240
va generando alrededor
de 30 o 60 paquetes.

129
00:12:15,240 --> 00:12:21,990
Eso es configurable, pero se generan unos
paquetes que te va diciendo la posición de

130
00:12:21,990 --> 00:12:27,850
cada uno de los coches en el circuito, la
velocidad y algunas estadísticas como por ejemplo

131
00:12:27,850 --> 00:12:34,970
las velocidades en cada una de las
rectas, la degradación de las ruedas, etc.

132
00:12:34,970 --> 00:12:41,870
Todo lo que en el mundo real existe, pero
en el videojuego para simularlo y hacer una

133
00:12:41,870 --> 00:12:49,230
experiencia interesante. Entonces, a partir,
a raíz de este repositorio de Telemetry

134
00:12:49,230 --> 00:12:57,190
F1, con el código de extracción, al final
acabamos haciendo Una hackathon para

135
00:12:57,190 --> 00:13:04,230
gente que se dedica a inteligencia
artificial, machine learning, etc., que hicieron una

136
00:13:04,230 --> 00:13:08,210
serie de modelos de predicción de la

137
00:13:09,330 --> 00:13:13,710
temperatura y… ¿cómo se
dice weather en español?

138
00:13:13,830 --> 00:13:14,790
Se me ha olvidado decir weather.

139
00:13:14,830 --> 00:13:21,930
El clima sería el clima.
Últimamente me suele pasar que

140
00:13:21,930 --> 00:13:25,990
algunas palabras en español se me olvidan
porque normalmente estoy hablando inglés en

141
00:13:26,030 --> 00:13:29,410
el trabajo. Así que si me pasa
eso, me tenéis que disculpar.

142
00:13:29,510 --> 00:13:32,730
Pero vamos, las condiciones
meteorológicas del día, ¿no?

143
00:13:32,730 --> 00:13:39,100
Sí, exacto, pero dentro del videojuego por
lo tanto era una simulación y luego incluso

144
00:13:39,100 --> 00:13:44,260
hubo algunos equipos que lo que hicieron
en la implementación es aumentar o extender

145
00:13:44,260 --> 00:13:51,180
el problema con Programas de simulación,
de dinámica de fluidos y todo, que es los programas

146
00:13:51,180 --> 00:13:58,400
que al final se acaban utilizando las
cadenas de televisión y tal, que tienen sus propios

147
00:14:01,020 --> 00:14:07,150
Meteorólogos Estos meteorólogos lo único
que están haciendo es utilizar unas tarjetas

148
00:14:07,150 --> 00:14:12,510
gráficas y ellos también tienen, por
ejemplo, en el cloud sus tarjetas gráficas, tienen

149
00:14:12,510 --> 00:14:14,790
sus contratos y son contratos millonarios.

150
00:14:14,830 --> 00:14:22,420
Que es comprar tarjetas gráficas de
oracle por ejemplo antena 3 tiene algunos

151
00:14:22,420 --> 00:14:29,540
entre otros a tres players
tiene no me sé pero

152
00:14:29,660 --> 00:14:35,560
vamos hay algunas empresas en españa que
utilizan ahora con cloud por ejemplo y utilizan

153
00:14:35,560 --> 00:14:41,900
las tarjetas gráficas para calcular la
dinámica de fluidos el comportamiento del viento

154
00:14:41,900 --> 00:14:49,020
de la presión y todo esto en
trocitos muy pequeños escalables de

155
00:14:49,020 --> 00:14:56,270
cómo se va a comportar el tiempo
la humedad el agua y todo esto y

156
00:14:56,270 --> 00:15:02,010
la lluvia en muy en trocitos muy pequeños
esos cálculos lo único que hacen son llamar

157
00:15:02,010 --> 00:15:05,470
a un modelo de inteligencia artificial que
ha sido entrenado con muchos años de datos

158
00:15:05,510 --> 00:15:11,550
y darte a ti la predicción del tiempo de
ese día eso es lo que sale en la tele al final

159
00:15:11,550 --> 00:15:19,040
uno de los muchísimos casos que hay de
inteligencia artificial en el mundo de hoy que

160
00:15:19,390 --> 00:15:27,490
grande mira te quería te quería empezar
así con esta pedagogía así de café en términos

161
00:15:27,490 --> 00:15:35,650
para humanos la diferencia entre entre
machine learning deep learning y la generativa

162
00:15:35,650 --> 00:15:37,070
los modelos de el lenguaje.

163
00:15:37,110 --> 00:15:40,250
Nos podrías decir una definición
así en plan cotidiana, ¿no?

164
00:15:40,290 --> 00:15:43,970
Es decir, para quien Aterrice
en esto, aparte de ChatGPT, ¿no?

165
00:15:44,390 --> 00:15:50,250
Sí. ¿Qué herramientas tenemos y para qué
nos sirven unas o qué cosas podemos hacer con

166
00:15:50,250 --> 00:15:52,170
unas y qué cosas podemos hacer con otras?

167
00:15:52,210 --> 00:15:59,370
Vale, sí es buena pregunta porque en
general mucha gente no sabe la diferencia, así que

168
00:15:59,370 --> 00:16:00,550
va a estar bien explicarla.

169
00:16:00,590 --> 00:16:03,590
A ver, ¿cómo digo esto de forma clara?

170
00:16:04,130 --> 00:16:11,810
Machine Learning es simplemente una
forma de explicar que hay algún mecanismo

171
00:16:11,810 --> 00:16:19,370
por detrás en la lógica del programa que
se utiliza para que la próxima vez que

172
00:16:19,560 --> 00:16:27,860
el ordenador o el procesador
vea un dato haya tomado

173
00:16:27,860 --> 00:16:33,080
una decisión más informada sobre ese dato
de lo que estaba tomando la la primera vez

174
00:16:33,080 --> 00:16:40,140
que la vio y puede eso puede ser cualquier
tipo de implementación es decir si yo por

175
00:16:40,140 --> 00:16:46,600
ejemplo me hago un árbol de decisión
binario que simplemente funciona de sí o no todas

176
00:16:46,600 --> 00:16:51,820
las decisiones que tome a partir de ahora
van a ser sí o no veo por primera vez un coche

177
00:16:51,820 --> 00:16:57,080
imaginemos que estoy viendo un coche por
primera vez pero yo no sé nada soy un ordenador

178
00:16:57,080 --> 00:17:04,400
nunca antes he visto un coche vale pues
voy a mi árbol de decisiones y digo pues esto

179
00:17:04,400 --> 00:17:10,620
es un coche o no lo es voy a un montón de
colores de la imagen y voy a determinar si

180
00:17:10,620 --> 00:17:16,660
esto es un coche esto es más sin learning
porque porque por ejemplo estoy tomando un

181
00:17:16,660 --> 00:17:23,740
árbol de decisiones que estoy haciendo
preguntas binarias sobre algunas cosas De la

182
00:17:23,740 --> 00:17:31,230
imagen para determinar si esto es un coche
o no estoy utilizando una forma de decidir

183
00:17:31,230 --> 00:17:35,570
me pero no es una forma compleja pueden ser
preguntas muy simples como la de sí o no

184
00:17:35,610 --> 00:17:40,930
en este caso eso es machine learning pero
no es deep learning porque no es deep learning

185
00:17:40,930 --> 00:17:48,380
porque deep learning es simplemente
un subset de cosas en inteligencia

186
00:17:48,380 --> 00:17:53,880
artificial al final inteligencia
artificial es ambas cosas es machine learning deep learning

187
00:17:53,880 --> 00:18:00,380
y Y un montón más de cosas que entran
dentro de la categoría de Artificial Intelligence.

188
00:18:00,980 --> 00:18:07,660
Pero Deep Learning es solamente un tipo
específico de implementación, de toma de decisiones,

189
00:18:07,660 --> 00:18:10,240
que es las redes neuronales.

190
00:18:10,560 --> 00:18:13,900
Y no todas las redes
neuronales son Deep Learning.

191
00:18:14,500 --> 00:18:18,820
La red neuronal es simplemente
una forma de aprender,

192
00:18:20,370 --> 00:18:23,120
De que el ordenador aprenda.

193
00:18:23,120 --> 00:18:29,680
Entonces, de forma muy simplificada, tú
tienes una serie de neuronas que se comunican

194
00:18:29,680 --> 00:18:35,020
entre ellas, están conectadas entre ellas
y se transmiten información intentando más

195
00:18:35,020 --> 00:18:41,690
o menos aproximar el comportamiento que
nosotros tenemos en nuestro cerebro.

196
00:18:41,690 --> 00:18:49,030
Se teoriza que muchas de las
conexiones entre las neuronas se crean

197
00:18:49,030 --> 00:18:51,130
cuando nosotros somos jóvenes,

198
00:18:52,140 --> 00:18:57,340
de hecho antes de los 25 años, o antes
de los 21 o 25 años, alrededor de eso.

199
00:18:57,340 --> 00:19:03,580
Hasta entonces nuestro cerebro no se ha
desarrollado completamente, entonces tiene eso

200
00:19:03,580 --> 00:19:09,460
que se llama en los niños que tiene
plasticidad, que tienes la capacidad de reprogramar

201
00:19:09,460 --> 00:19:11,920
algunas partes de tu cerebro
o de aprender muchísimo.

202
00:19:11,960 --> 00:19:17,080
Por ejemplo, la gente que aprende ajedrez,
normalmente los gran maestros de ajedrez,

203
00:19:17,120 --> 00:19:22,620
hay una estadística que dice que alrededor
del 95 % de los gran maestros de ajedrez siempre

204
00:19:22,620 --> 00:19:27,600
empezaron a jugar al ajedrez desde muy
jóvenes, porque en esa época la plasticidad del

205
00:19:27,600 --> 00:19:34,280
cerebro es muy alta y entonces tienen
mucha capacidad de aprender en ese momento.

206
00:19:34,280 --> 00:19:40,560
¿Por qué? Porque las neuronas están
conectando entre sí y están haciendo el camino que

207
00:19:40,560 --> 00:19:44,420
el resto de nuestra vida va a
determinar cómo nosotros pensamos.

208
00:19:45,180 --> 00:19:52,200
Y eso se ve afectado por cómo las
experiencias que tenemos nos reprograman

209
00:19:52,200 --> 00:19:59,840
las neuronas más o menos cuando Somos
jóvenes y llegamos al punto del presente, en

210
00:19:59,840 --> 00:20:07,180
el que tenemos nuestro cerebro, tenemos
una red neuronal que toma decisiones y

211
00:20:07,240 --> 00:20:14,140
que matemáticamente esas decisiones se
aproximan como si fueran derivadas parciales en

212
00:20:14,140 --> 00:20:19,110
matemáticas. Lo único que estamos haciendo
en una red neuronal es pasar la información

213
00:20:19,110 --> 00:20:25,070
de forma separada, algunos normalmente lo
que se hace en una imagen es separarlo por

214
00:20:25,070 --> 00:20:30,370
canales, separas el rojo, el azul y el
verde, se lo pasas a un trozo de la red neuronal

215
00:20:30,370 --> 00:20:37,620
y cada uno de ellos procesa esa parte
del color, ese canal de color de

216
00:20:37,620 --> 00:20:42,300
la imagen y toma decisiones
de qué objeto es este, ¿vale?

217
00:20:42,920 --> 00:20:49,360
¿Qué pasa? Que tras cada iteración de la
red neuronal, esa red neuronal pasa otra vez

218
00:20:49,360 --> 00:20:53,440
al principio de esa red neuronal, le
transmite algo de información para que la segunda

219
00:20:53,480 --> 00:20:59,800
vez, la segunda iteración de la red
neuronal, funcione mejor que la anterior, sea mejor,

220
00:20:59,880 --> 00:21:03,300
un mejor predictor de lo que
estamos intentando predecir.

221
00:21:03,300 --> 00:21:09,260
En el caso de Deep Learning es el caso en
el que la estructura de la red neuronal tiene

222
00:21:09,260 --> 00:21:10,880
más de dos capas en el medio.

223
00:21:11,260 --> 00:21:18,300
Es simplemente una cosa muy específica
que hace falta que pase para

224
00:21:18,300 --> 00:21:23,000
que Deep Learning exista, que es que tengas
una red neuronal con cuatro capas o más.

225
00:21:23,000 --> 00:21:26,980
Es decir, con una capa al principio,
una capa al final y dos en medio.

226
00:21:27,750 --> 00:21:31,010
Hay algunas redes neuronales
súper, súper complejas.

227
00:21:31,210 --> 00:21:38,420
Para poner más o menos a la gente en
la idea, hay algunas redes neuronales

228
00:21:38,420 --> 00:21:45,610
que pesan gigabytes. Es decir,
que han utilizado decenas de miles

229
00:21:45,610 --> 00:21:53,290
de millones de pequeños datos y
probablemente entrenados en, diría

230
00:21:53,610 --> 00:21:59,220
que alrededor de 10 elevado a, digamos,

231
00:22:00,480 --> 00:22:04,380
10 millones de iteraciones, un millón
de iteraciones, depende del caso.

232
00:22:04,420 --> 00:22:09,620
Pero vamos muchísimas muchísimas
iteraciones por ejemplo en el caso de chat gpt y todo

233
00:22:09,620 --> 00:22:16,340
esto que la gente ahora mismo está más al
tanto porque está más es más explosivo en el

234
00:22:16,340 --> 00:22:23,500
caso de pues a lo mejor entrenar un modelo
como chat gpt ha costado alrededor de 200

235
00:22:23,500 --> 00:22:29,160
mil o 300 mil dólares con tarjetas gráficas
por el número de iteraciones y el número

236
00:22:29,160 --> 00:22:33,380
de tokens que se utiliza para
entrenar estos Estos modelos, o

237
00:22:34,460 --> 00:22:37,160
sea que hay un montón
de datos disponibles.

238
00:22:38,090 --> 00:22:40,850
El caso, por ejemplo,
sí, dime, dime, dime.

239
00:22:40,850 --> 00:22:47,770
Te iba a decir, entiendo que una de las
piezas clave en toda esta estrategia es cómo

240
00:22:47,770 --> 00:22:53,250
alimentas el modelo o cuáles son los datos
que utilizas como fuente para aprendizaje.

241
00:22:53,250 --> 00:22:59,810
Me sorprendió muchísimo, por ejemplo, que
en tu presentación que hiciste sobre ese modelo

242
00:22:59,810 --> 00:23:03,930
de aprendizaje sobre League of Legends
para que te fuera diciendo cómo vas en la partida,

243
00:23:03,970 --> 00:23:10,970
tú escogiste solamente aquellas partidas
jugadas por maestros de League of Legends que

244
00:23:10,970 --> 00:23:17,330
habían sido partidas que habían jugado
especialmente bien y que las habías seleccionado

245
00:23:17,330 --> 00:23:21,530
a partir de una determinada
puntuación para alimentar ese modelo.

246
00:23:21,530 --> 00:23:28,580
Entonces aquí nos encontramos también
en ese caso si hay que tomar tienes que

247
00:23:28,580 --> 00:23:33,400
hacer un análisis crítico de qué datos son
Los que quieres utilizar en tu modelo por

248
00:23:33,400 --> 00:23:39,560
ejemplo y ahora hay un caos brutal es un
tema bastante polémico lo que está pasando ahora

249
00:23:39,560 --> 00:23:46,530
mismo en google el stock de google ha
bajado voy a ver exactamente cuánto pero el stock

250
00:23:46,530 --> 00:23:52,110
de google ha bajado y está relacionado
directamente con una gran polémica que está pasando

251
00:23:52,110 --> 00:23:58,770
en twitter con el tema de su modelo de
generación de lenguaje que se llama gemini este

252
00:23:59,630 --> 00:24:06,770
modelo por ejemplo tiene ciertos sesgos
social socioculturales que hacen que

253
00:24:06,770 --> 00:24:14,290
el stock de google haya bajado porque la
gente está frustrada por Por ejemplo, han

254
00:24:14,550 --> 00:24:22,120
utilizado una serie de datos de
entrenamiento que no ha reflejado

255
00:24:22,120 --> 00:24:25,180
realmente la sociedad hoy en día.

256
00:24:25,220 --> 00:24:32,280
Por ejemplo, y es un tema bastante
polémico, lo repito, algunas personas

257
00:24:32,280 --> 00:24:38,960
lo que dicen es que el modelo intenta o
acaba preferenciando, Acaba discriminando, por

258
00:24:38,960 --> 00:24:46,340
ejemplo, a la gente blanca,
porque en este caso el

259
00:24:46,860 --> 00:24:54,440
modelo ha sido entrenado con un montón de
imágenes de todas las culturas, excepto, a

260
00:24:54,440 --> 00:24:59,480
propósito, o es lo que la gente está
diciendo ahora mismo, que a propósito se ha intentado

261
00:24:59,480 --> 00:25:03,860
quitar o se ha intentado dar
menos luz a la gente blanca.

262
00:25:03,860 --> 00:25:12,430
Entonces pues eso ha causado un montón de
caos porque por ejemplo creaba vikingos

263
00:25:12,430 --> 00:25:19,530
indios creaba Vikingos asiáticos
que cosas que realmente no

264
00:25:19,530 --> 00:25:27,230
no existen otro tipo de polémicas que
han sucedido en el pasado son que los

265
00:25:27,230 --> 00:25:34,590
modelos por ejemplo tienen sesgos
políticos por ejemplo en eeuu esto Esto es muy importante

266
00:25:34,590 --> 00:25:39,330
y muy problemático. La primera de
Microsoft, la primera y a esta que un poco lanzaron,

267
00:25:39,370 --> 00:25:46,210
alimentada de Twitter, en los dos días
empezó a tener comportamientos xenófobos y nazis.

268
00:25:46,870 --> 00:25:53,940
Exacto, exacto es decir, estas cosas
cuando no se controlan son muy peligrosas y

269
00:25:53,940 --> 00:25:56,940
de hecho es uno de los miedos
que muchas empresas tienen.

270
00:25:56,980 --> 00:26:03,360
Las personas individuales no tenemos ese
miedo porque no tenemos la responsabilidad de

271
00:26:03,360 --> 00:26:10,560
tener una empresa de miles de millones
de dólares detrás de nosotros, pero las

272
00:26:10,560 --> 00:26:16,820
empresas grandes tienen bastante miedo de
meterse con estas cosas a no ser que realmente

273
00:26:16,820 --> 00:26:24,510
estén los modelos realmente
moderados de contenido y controlados

274
00:26:24,510 --> 00:26:26,990
de cierta manera para
evitar problemas así.

275
00:26:27,490 --> 00:26:32,370
Algunos modelos de inteligencia, o sea,
modelos de generación de lenguaje que se insultaban

276
00:26:32,410 --> 00:26:36,090
a sí mismos y todo. O sea, hay
algunas cosas que todavía faltan.

277
00:26:36,330 --> 00:26:42,780
Estamos todavía en los primeros, bueno,
todo el tema de generación de texto.

278
00:26:42,780 --> 00:26:49,960
Yo, para dar contexto, lleva desde 2015
desarrollándose y de hecho uno de los papers

279
00:26:49,960 --> 00:26:57,040
más importantes de toda la academia de
generación de textos, todo lo que Ha pasado con

280
00:26:57,040 --> 00:27:02,220
OpenAI, todo lo que ha pasado con ChatGPT,
todo eso viene a raíz de un paper que salió

281
00:27:02,220 --> 00:27:10,660
en 2017 llamado Attention is all you
need, que introducía una técnica que

282
00:27:10,660 --> 00:27:17,700
se llama atención, que es lo
que te permite darle a cualquier

283
00:27:17,700 --> 00:27:22,820
texto el significado que venía antes y
después del texto para meterlo en contexto y que

284
00:27:22,820 --> 00:27:26,042
el modelo de generación de
lenguaje entienda ese contexto.

285
00:27:27,330 --> 00:27:33,970
Entonces lleva muchísimos años, pero
cuando me refiero a que ahora mismo está explotando

286
00:27:33,970 --> 00:27:38,430
es porque ahora hay empresas que valen
miles de millones de dólares Que antes no lo valían,

287
00:27:38,470 --> 00:27:42,090
que se dedican a este tipo de
cosas porque la gente le gusta.

288
00:27:42,730 --> 00:27:47,230
Entonces, el último, yo diría que los dos
últimos años han sido como los más importantes

289
00:27:47,270 --> 00:27:53,990
de todo esto porque es donde más cosas han
pasado y aún así hay ahora algunas cosas que

290
00:27:53,990 --> 00:28:00,780
faltan por retocar, pero vamos, que
estamos todavía en la parte, en el baby boom de la

291
00:28:00,780 --> 00:28:05,810
inteligencia artificial. De hecho, me
parece muy interesante la parte de la atención,

292
00:28:06,230 --> 00:28:13,450
porque cuando me preguntaron
a Kahneman sobre cuál

293
00:28:13,450 --> 00:28:19,890
sería aquel conocimiento que si los seres
humanos incorporasen tendría mejor impacto

294
00:28:19,890 --> 00:28:25,990
en la calidad de sus vidas, decía que nada
es tan importante como lo que te lo parece

295
00:28:25,990 --> 00:28:28,150
cuando lo estás viendo, cuando
estás prestando atención.

296
00:28:28,190 --> 00:28:33,030
¿Cómo quiero decir? La atención es la
que pone el contexto de la importancia.

297
00:28:33,190 --> 00:28:38,930
Y si tú te centras de pronto en prestarle
atención y poner mucho contexto en la dieta

298
00:28:38,930 --> 00:28:44,150
sana, es tu cerebro quien considera que
eso es importante por la atención que tú le estás

299
00:28:44,150 --> 00:28:48,730
prestando. Y que hasta ahora la gente
entendía que esto era al revés, que la importancia

300
00:28:48,770 --> 00:28:53,810
era algo que se daba y que a partir de la
importancia uno Prestaba más atención o se

301
00:28:53,810 --> 00:28:59,210
interesaba por ciertas cosas cuando en
realidad el primer motor es esa atención, a qué

302
00:28:59,210 --> 00:29:03,450
le prestamos atención. Y si es una
inteligencia artificial, es una variable que tú puedes

303
00:29:03,490 --> 00:29:09,070
definir o potenciar, es decir, quiero
focalizar la atención en, como decías tú, un grupo

304
00:29:09,070 --> 00:29:16,270
racial, un grupo minoritario o mayoritario
o una cierta corriente política, una cierta

305
00:29:16,270 --> 00:29:23,770
tendencia, tiene muchísimo impacto en lo
que sucede a partir de ahí, a continuación.

306
00:29:24,350 --> 00:29:31,350
Sí, y también tiene consecuencias
claras, como la que hemos visto

307
00:29:31,350 --> 00:29:38,530
con Google, porque la gente espera
un estándar de trato cuando habla

308
00:29:38,530 --> 00:29:43,390
con un modelo de inteligencia artificial,
por ejemplo tú vas al doctor, vas al médico

309
00:29:43,390 --> 00:29:49,250
y porque te encuentras mal o lo que sea,
esperas más o menos que el doctor no te escupa

310
00:29:49,250 --> 00:29:55,370
en la cara esperas cierto tipo de cosas de
algunos comportamientos que no quieres que

311
00:29:55,370 --> 00:30:01,450
sucedan porque los consideras inaceptables
eso también yo creo que la gente pues no quiere

312
00:30:01,450 --> 00:30:06,550
que el modelo de inteligencia artificial
le trate mal o se sienta discriminado o cualquier

313
00:30:06,550 --> 00:30:09,350
tipo de estas cosas No, claro.

314
00:30:09,550 --> 00:30:14,790
Bueno, nosotros en nuestra vida humana
sufrimos muchas cosas que son muy contextuales.

315
00:30:14,790 --> 00:30:19,490
El juramento hipocrático solamente lo
tienen los médicos, es como un juramento que, es

316
00:30:19,530 --> 00:30:24,450
decir, un abogado no tiene, un electricista
No tiene, un juramento de que por encima

317
00:30:24,450 --> 00:30:27,350
de todo voy a hacer una corriente estable.

318
00:30:27,350 --> 00:30:34,890
Es como, ¿no? Y eso es contexto
muchas veces porque determina

319
00:30:34,890 --> 00:30:37,190
otras cuestiones éticas, ¿no?

320
00:30:38,480 --> 00:30:43,640
En la bioética, por ejemplo, salud, ya no
estamos metiendo aquí eutanasia, todo esto,

321
00:30:43,740 --> 00:30:48,620
pero son cuestiones humanas que se siguen
entendiendo dentro de los contextos también

322
00:30:48,620 --> 00:30:55,840
de inteligencia, pero también en una base
de conocimiento filosófico y de entendimiento

323
00:30:55,840 --> 00:30:57,020
que estamos descubriendo también.

324
00:30:57,060 --> 00:31:02,570
Lo que hablábamos de la atención, se están
descubriendo cosas nuevas de cómo nos comportamos

325
00:31:02,570 --> 00:31:07,070
y en esta inteligencia artificial que
estamos creando estamos a la altura de crear esa

326
00:31:07,110 --> 00:31:14,190
base. Wow, estamos avanzados y yo diría

327
00:31:14,190 --> 00:31:21,310
que esto no va a cambiar, de hecho yo ya
he visto alguna foto de por ejemplo la

328
00:31:21,310 --> 00:31:27,290
gente llevando en el metro las Apple
Vision Pro, las nuevas gafas de realidad aumentada

329
00:31:27,290 --> 00:31:34,300
de apple o sea que nuestra
como sociedad estamos siendo

330
00:31:34,300 --> 00:31:41,400
más self absorb estamos centrándonos más
en nosotros más y más y es un poco peligroso

331
00:31:41,400 --> 00:31:48,000
pero vamos nos acercando a black mirror a
black mirror si el charly broker fue un visionario

332
00:31:48,000 --> 00:31:53,900
el tío lo hizo en plan hacer una serie un
poco perturbadora para avisar a la gente pero

333
00:31:53,900 --> 00:32:01,330
estamos yendo hacia ahí sí sí y yo
diría que en general debería preocuparme

334
00:32:01,330 --> 00:32:08,610
pero me da más ganas o sea quiero ver lo
que pasa porque mientras el control del mundo

335
00:32:08,610 --> 00:32:13,800
yo creo que está perdido nosotros como
individuos nunca podremos controlar el mundo de

336
00:32:13,800 --> 00:32:21,320
ninguna manera a no Ser que seamos
multimillonarios y ni siquiera probamos que la

337
00:32:21,320 --> 00:32:26,140
inteligencia artificial no lo veo como un
arma ni nada como lo que está diciendo la gente,

338
00:32:26,180 --> 00:32:31,120
wow, la inteligencia artificial va a
acabar con el mundo va a acabar con las almas de

339
00:32:31,120 --> 00:32:36,180
las personas no las almas de las
personas, eso ya lo ha acabado

340
00:32:37,700 --> 00:32:39,580
Ya nos hemos encargado nosotros

341
00:32:40,680 --> 00:32:45,900
claro, nosotros somos individuos, entonces
las decisiones recaen sobre nosotros no le

342
00:32:45,900 --> 00:32:52,020
echemos la culpa al mundo ni a la
inteligencia artificial oye, en esto en la inteligencia

343
00:32:52,020 --> 00:32:56,320
artificial que decían que habían hecho una
prueba con una inteligencia artificial que

344
00:32:56,360 --> 00:33:01,020
tenía que hacer una tarea y tenía que en
un momento dado resolver un captcha y como no

345
00:33:01,060 --> 00:33:03,393
podía resolver el captcha, lo que hizo fue

346
00:33:04,600 --> 00:33:10,520
Contactar con un servicio de contratación
de una persona para que le resolviera el captcha

347
00:33:11,400 --> 00:33:14,844
y la persona dijo, pero bueno
¿cómo vas a resolver un captcha?

348
00:33:14,920 --> 00:33:15,920
Es decir, que no eres humano.

349
00:33:15,960 --> 00:33:19,516
Y la inteligencia artificial
detectó, digamos, como que no debía

350
00:33:20,440 --> 00:33:24,700
revelar que era una inteligencia
artificial y entonces dijo no es que tenga una dificultad

351
00:33:24,740 --> 00:33:28,860
visual entonces necesito que alguien me
resuelva el CAPTCHA le resolvió el CAPTCHA y

352
00:33:28,900 --> 00:33:35,580
pudo hacer una tarea, con lo cual un poco
la conclusión que decía este clip era la inteligencia

353
00:33:35,580 --> 00:33:39,900
artificial no va a dominarnos y someternos
como si fuésemos esclavos simplemente nos

354
00:33:39,940 --> 00:33:47,000
nos va a tener pues como dice como un
perro un perro es muy inteligente pero

355
00:33:47,000 --> 00:33:50,740
si te pones a competir en inteligencia
entre tú y un perro, pues el perro no tiene opción

356
00:33:50,780 --> 00:33:57,920
es más como que va a cuidarnos en el
sentido de decir para convivir todos tenemos que

357
00:33:57,920 --> 00:34:05,140
estos seres criaturas y nosotras las
máquinas tenemos que alejarla de las bombas,

358
00:34:05,140 --> 00:34:09,940
alejarla de los conflictos armados, o sea
a lo mejor quizá, yo también pienso como tú

359
00:34:09,940 --> 00:34:14,760
yo pienso que tengo más ganas que
miedo, tengo más ilusión que miedo

360
00:34:17,340 --> 00:34:22,800
Yo creo que también tiene que ver con
porque nos dedicamos a la tecnología y entonces

361
00:34:22,800 --> 00:34:29,860
esto es un tema que gusta no depende
de dónde hayas venido y digital

362
00:34:29,860 --> 00:34:35,910
si te gusta mucho la tecnología al final
te va a gustar la inteligencia artificial yo

363
00:34:35,910 --> 00:34:42,390
a todo el mundo que me pregunta oye cómo
me puedo meter en el tema de inteligencia artificial

364
00:34:42,390 --> 00:34:49,270
o en el tema de tecnología yo creo que hoy
en día con la cantidad de cosas que hay ahora

365
00:34:49,270 --> 00:34:56,830
mismo además que están estos modelos de
generación de texto que realmente funcionan extremadamente

366
00:34:56,830 --> 00:35:03,510
bien para recomendar cosas porque por ejemplo
en el caso de chat gpt porque funciona

367
00:35:03,510 --> 00:35:10,070
muy bien porque fue entrenado no sólo con
todos los datos de wikipedia que contienen

368
00:35:10,070 --> 00:35:17,110
más o menos el conocimiento humano
destilado en una página web sino que también

369
00:35:17,110 --> 00:35:23,590
han utilizado un montonazo de otras
páginas web para entrenar sus modelos entonces son

370
00:35:24,230 --> 00:35:31,350
súper súper inteligentes estos modelos yo
creo que la inteligencia artificial y en general

371
00:35:31,350 --> 00:35:39,370
la tecnología es un buen un buen sitio
donde meterse una buena industria que va

372
00:35:39,370 --> 00:35:46,660
hacia arriba en mi opinión y se
puede empezar a cacharrear con cosas

373
00:35:46,660 --> 00:35:53,220
desde el primer momento se puede te puedes
meter en páginas web a leer código puedes

374
00:35:53,220 --> 00:36:00,060
tener tú tus propias ideas hablar con
gente con en foros o aquí en comunidades como esta

375
00:36:00,060 --> 00:36:05,960
De discos para resolver problemas con otra
gente también tienes generación de código

376
00:36:05,960 --> 00:36:11,920
generación de texto para que te dé nuevas
ideas si es que no las puedes no se te ocurren

377
00:36:11,920 --> 00:36:18,850
a ti los recursos son ilimitados Y para
aprender, en GitHub hay un montón de cosas.

378
00:36:19,620 --> 00:36:25,940
En Oracle también, por ejemplo, tenemos un
montonazo de guías y de recursos y también

379
00:36:25,940 --> 00:36:33,960
tenemos una certificación de inteligencia
artificial que te permite tener

380
00:36:33,960 --> 00:36:40,970
una idea más o menos de cómo funciona
la industria entera y de enterarte de

381
00:36:40,970 --> 00:36:42,581
lo que está progresando todo.

382
00:36:43,200 --> 00:36:49,800
Incluso pues en el caso hipotético y en el
ideal incluso que la gente pueda trabajar

383
00:36:49,800 --> 00:36:56,360
de inteligencia artificial en el futuro
ojalá dicho de hecho a lo que estabas diciendo

384
00:36:56,360 --> 00:37:01,280
voy a hacer varias puntualizaciones de las
cosas que hayas dicho un ejemplo sobre la

385
00:37:01,280 --> 00:37:06,820
certificación he leído y un poco antes así
he comentado un poco contigo esto que me lo

386
00:37:06,820 --> 00:37:11,760
has confirmado dice que la La
certificación de inteligencia artificial que tiene Oracle

387
00:37:11,760 --> 00:37:15,600
es como un 80 % vendor free.

388
00:37:15,840 --> 00:37:21,260
Es decir, si alguien, por ejemplo, quiere
empezar en la inteligencia artificial sin casarse

389
00:37:21,260 --> 00:37:27,740
mucho con una plataforma o con un fabricante,
esta certificación le sirve porque son

390
00:37:27,740 --> 00:37:34,440
todos contenidos teóricos transportables a
otros entornos, con lo cual súper recomendado.

391
00:37:34,460 --> 00:37:41,840
Yo he tenido bastante buen feedback
De esa certificación sí, es un buen

392
00:37:41,840 --> 00:37:45,180
punto para empezar, ¿no?
Sí, sí, es un buen punto.

393
00:37:46,020 --> 00:37:51,300
Es una certificación muy buena porque,
como tú dices, es vendor free en el sentido de

394
00:37:51,300 --> 00:37:58,700
que la mayoría de preguntas o de
conceptos que se hablan y se examinan son

395
00:37:58,700 --> 00:38:04,860
problemas conceptuales, problemas teóricos,
que te dan una base de toda la teoría de

396
00:38:04,860 --> 00:38:11,180
inteligencia artificial, pero no son
realmente específicos de Oracle, no necesitas ser

397
00:38:11,180 --> 00:38:17,640
un experto en Oracle para resolver esto,
simplemente necesitas más o menos saber las

398
00:38:17,640 --> 00:38:24,720
cosas que se ofrecen en Oracle de inteligencia
artificial, que son alrededor de 5 o

399
00:38:24,720 --> 00:38:29,560
6 servicios, Más o menos entender cómo
funciona cada uno de ellos, la tecnología que

400
00:38:29,560 --> 00:38:34,320
hay detrás, por ejemplo. Cosas como, ¿cuál

401
00:38:35,310 --> 00:38:40,310
es la importancia del entrenamiento
de los datos en Machine Learning?

402
00:38:40,830 --> 00:38:43,590
Preguntas así, de ese estilo.

403
00:38:43,590 --> 00:38:48,810
A veces preguntas teóricas que te hacen
pensar un poco pero que no son extremadamente

404
00:38:48,810 --> 00:38:56,030
no necesitas un doctorado
para hacer la certificación

405
00:38:56,030 --> 00:39:02,740
y es una buena una buena forma de empezar
a meterte en ese mundo también la certificación

406
00:39:02,740 --> 00:39:09,380
sí sí sí sí sí y formas claros formación y
certificación un poco muy de la mano y en

407
00:39:09,380 --> 00:39:16,460
live labs hay algún hay laboratorios así
hechos para poder hacer digamos algún

408
00:39:16,460 --> 00:39:21,380
algún ejercicio resuelto la parte de los
tuyos de github un poco reproducirlo sí

409
00:39:22,620 --> 00:39:30,540
Sí aparte de los míos vamos yo a la
mayoría del contenido la tengo en live labs antes

410
00:39:30,540 --> 00:39:36,520
más que ahora pero vamos ahí aparte de
tener todos mis mis labs que a lo mejor son unos

411
00:39:36,520 --> 00:39:44,180
8 laboratorios en total hay laboratorios
de todo también de hecho en en database hay

412
00:39:44,180 --> 00:39:48,240
un montonazo montonazo de laboratorios y

413
00:39:49,170 --> 00:39:55,420
también algunos laboratorios relacionados
que incluso os podría venir bien a vosotros

414
00:39:55,420 --> 00:40:00,800
en café database porque son database más
inteligencia artificial como por ejemplo Por

415
00:40:00,800 --> 00:40:07,820
ejemplo, este de League of Legends que
hablábamos, tiene una base de datos y utilizamos

416
00:40:07,820 --> 00:40:14,960
la parte no relacional de la base
de datos autónoma para guardar

417
00:40:14,960 --> 00:40:20,200
ahí los datos en formato JSON y a partir
de eso hacer un modelo de inteligencia artificial

418
00:40:20,200 --> 00:40:26,860
desde cero. Es decir, entrenas o
aprendes a extraer datos con una API

419
00:40:28,180 --> 00:40:31,902
Utilizar esos datos para crear un
modelo de inteligencia artificial

420
00:40:32,890 --> 00:40:39,650
Y así se tocan un montón de temas
Coges las bases de datos como storage

421
00:40:41,850 --> 00:40:45,470
Coges entrenamiento de modelos, extracción
de modelos Que es lo que normalmente hace

422
00:40:45,510 --> 00:40:51,240
un ingeniero de datos Luego haces también
el entrenamiento de los modelos en data science

423
00:40:51,240 --> 00:40:58,060
o sea hay un montón de componentes así que
hay muchísimo muchísimo contenido en live

424
00:40:58,060 --> 00:41:04,780
labs que le puede venir bien a la gente y
además lo puedes hacer de manera gratis porque

425
00:41:04,780 --> 00:41:10,620
en oracle tenemos unas cuentas que se
llaman cuentas always free si tú te registras en

426
00:41:10,620 --> 00:41:17,500
oracle en oracle cloud me refiero si
tienes aparte de que tienes una oferta la primera

427
00:41:17,500 --> 00:41:23,000
vez que te registras de 300 dólares para
gastarte los en lo que quieras en el primer

428
00:41:23,000 --> 00:41:29,200
mes para que puedas de ployar y puedas
abrir las bases de datos que quieras los yo que

429
00:41:29,200 --> 00:41:33,500
sé si te apetece aprender sobre kubernetes
aprende sube kubernetes no tienes ninguna

430
00:41:33,540 --> 00:41:40,710
restricción al respecto así que hay un
montón de cosas gratis y luego cuando

431
00:41:40,710 --> 00:41:43,270
pasan los 30 primeros días te

432
00:41:44,620 --> 00:41:51,340
Quedas tú con tu cuenta la mayoría de
servicios se bloquean pero sigues teniendo ciertas

433
00:41:51,340 --> 00:41:58,100
cosas que van a hacer o al menos esperemos
que sean siempre always free yo por ejemplo

434
00:41:58,100 --> 00:42:02,120
hasta hace poco tenía ahí
hosteado mi página web personal

435
00:42:03,440 --> 00:42:08,120
Que ahora ya me voy a cambiar el dominio
probablemente así que ahora mismo estoy de mudanza

436
00:42:08,160 --> 00:42:14,780
de página web pero vamos que los hay gente
por ejemplo tenía un compañero mío que se

437
00:42:14,780 --> 00:42:20,980
llamaba Chris Benson, que era la persona
que tenía el récord Guinness del mayor clúster

438
00:42:20,980 --> 00:42:22,424
de Raspberry Pis del mundo

439
00:42:23,440 --> 00:42:28,560
y Chris Benson por ejemplo, utilizaba su
Always Free para tener ahí un servidor de Minecraft

440
00:42:28,560 --> 00:42:35,730
con su hijo, o sea hay casos ilimitados
el número de usos es ilimitado Sí,

441
00:42:35,770 --> 00:42:42,810
sí, sí, sí, esa prueba del servidor de
Minecraft con el OCI, ese es un vídeo que está

442
00:42:42,810 --> 00:42:49,650
en café database está hecho el tutorial de
cómo hacerlo pues eso es la prueba de fuego

443
00:42:49,650 --> 00:42:56,740
de que de que funciona bien el cómputo
porque la verdad es que yo he jugado a minecraft

444
00:42:56,740 --> 00:43:01,300
bueno empecé a jugar a minecraft cuando
salió minecraft hace muchos hace muchos años

445
00:43:01,340 --> 00:43:08,460
y es un juego que está Está
escrito en Java, pero que

446
00:43:08,460 --> 00:43:12,200
tenía ciertos problemas con
la virtualización, con el JVM.

447
00:43:12,380 --> 00:43:17,900
Si mal no recuerdo, tenían problemas de
optimización porque utilizaban variables demasiado

448
00:43:17,900 --> 00:43:20,000
grandes. Ese era uno de sus problemas.

449
00:43:20,040 --> 00:43:24,160
Y otra es porque tenían una
interfaz creada en Java muy...

450
00:43:24,930 --> 00:43:29,450
Vamos, que el código no estaba bien hecho
al principio, entonces la optimización del

451
00:43:29,490 --> 00:43:34,690
Minecraft... Solo, lo hizo no es el
nombre, pero lo hizo un tipo solo.

452
00:43:35,090 --> 00:43:42,010
Sí, De hecho hay un objeto en Minecraft
que está hecho por él, que es una capa como la

453
00:43:42,010 --> 00:43:46,110
capa de Superman, que tiene su nombre pero
no me acuerdo de su nombre porque hace mucho

454
00:43:46,150 --> 00:43:50,090
que no juega Minecraft, pero vamos que el
creador de Minecraft tiene un objeto en Minecraft

455
00:43:50,130 --> 00:43:53,960
en teoría, él tiene Qué bueno

456
00:43:55,440 --> 00:44:00,060
Marcus Persson Ah, Marcus Marcus Persson.

457
00:44:00,560 --> 00:44:05,800
Tengo una petición de mi hijo que me
preguntaba, por favor pregúntale a Nacho con qué

458
00:44:05,800 --> 00:44:13,380
juegos puedo hacer, digamos, lo mismo que
hiciste con League of Legends, pero es decir,

459
00:44:13,440 --> 00:44:19,620
que el juego, entre comillas, tengo un API
que me permite bichear los datos a tiempo

460
00:44:19,620 --> 00:44:24,360
real y que pueda cargar de pronto a lo
mejor partidas que puedan estar cargadas o que

461
00:44:24,360 --> 00:44:26,640
haya un repositorio para hacerlo.

462
00:44:26,640 --> 00:44:34,860
Lo digo leyes está claro pero hay algún
juego más fortnite permite se podría hacer

463
00:44:34,860 --> 00:44:40,460
algo así es decir depende que vas
desarrollando a nivel del juego y cómo se han ido jugando

464
00:44:40,460 --> 00:44:45,740
ciertas partidas maestras no ciertas
partidas de competición de esports si hacer algo

465
00:44:45,740 --> 00:44:52,180
similar sí pues a ver depende sobre todo
depende de la popularidad del juego tiene que

466
00:44:52,180 --> 00:44:58,770
ser un juego en general popular no porque
porque lo diga yo, sino porque en general las

467
00:44:58,770 --> 00:45:04,470
aplicaciones que se crean de videojuegos
relacionadas con este tipo de cosas

468
00:45:05,570 --> 00:45:10,030
van normalmente gravitando hacia
donde la gente tiene interés.

469
00:45:10,090 --> 00:45:14,150
Si la gente no tiene interés en el juego,
no hay muchos jugadores, las probabilidades

470
00:45:14,190 --> 00:45:20,470
de que haya software ya creado para poder
hacer telemetría de ese juego es menos probable.

471
00:45:20,470 --> 00:45:27,800
Entonces normalmente mirando las las
los juegos más potentes son más famosos

472
00:45:27,800 --> 00:45:33,100
yo diría que el league of Legends es un
gran ejemplo porque además es que ellos anuncian

473
00:45:33,100 --> 00:45:39,600
públicamente que tiene una API pero no son
el único juego que tiene API juegos parecidos

474
00:45:39,600 --> 00:45:44,040
aparte de los juegos de conducción que
muchos juegos de conducción tienen telemetría

475
00:45:44,080 --> 00:45:49,820
por el diseño del juego está hecho así
algunos Algunos juegos de deportes, como por ejemplo

476
00:45:49,820 --> 00:45:56,320
los juegos de EA Sports, algunos,
no todos, tienen telemetría también.

477
00:45:56,500 --> 00:46:02,980
Pero aparte de los juegos que tienen
telemetría o no, hay otra forma de tú crear tu propio

478
00:46:02,980 --> 00:46:06,500
software de cualquier videojuego
que te apetezca jugar.

479
00:46:06,760 --> 00:46:12,800
Que es como por ejemplo utilizando
tu detección de objetos y cosas así.

480
00:46:13,020 --> 00:46:15,260
Tú puedes crear lo que quieras.

481
00:46:15,260 --> 00:46:20,340
Realmente, y por ejemplo yo he hecho
algunas cosas en algunos juegos alrededor de esto,

482
00:46:20,400 --> 00:46:26,580
como por ejemplo un juego de piratería
piratería me refiero a piratas o sea, no ciberpiratas

483
00:46:26,580 --> 00:46:32,520
me refiero a piratas reales es un juego
que se llama Sea of Thieves es un juego en el

484
00:46:32,520 --> 00:46:36,900
que tú vas con tus compañeros, tienes tu
propio barco es un mundo abierto en el que hay

485
00:46:36,940 --> 00:46:43,580
barcos que se van, pues eso disparando entre
ellos y tal, pues ese juego por ejemplo

486
00:46:43,580 --> 00:46:50,740
no tiene ninguna API pero yo dije bueno
este juego me gustaría que ciertas cosas se

487
00:46:51,320 --> 00:46:55,080
hicieran de manera automática del juego
para que no lo tuviera que hacer yo constantemente

488
00:46:55,120 --> 00:47:02,780
realmente Tú puedes hacer lo que quieras
con con con vídeo con imágenes podrías

489
00:47:02,780 --> 00:47:07,720
las regiones de tu pantalla que es lo que
yo hacía coger recibe regiones de tu pantalla

490
00:47:07,720 --> 00:47:14,960
para analizarlas es decir si en esta
posición hay hay ciertas cosas utilizando o conectando

491
00:47:14,960 --> 00:47:22,240
el juego con un reconocedor óptico de
caracteres, como por ejemplo lo del CAPTCHA,

492
00:47:22,320 --> 00:47:27,570
puedes sacar un montonazo de datos
que no se pueden sacar en teoría.

493
00:47:27,650 --> 00:47:33,710
Por ejemplo, puedes sacar números de la
pantalla, puedes detectar objetos que están en

494
00:47:33,710 --> 00:47:37,130
la pantalla y crear tus propios
modelos de detección de objetos.

495
00:47:37,170 --> 00:47:42,850
¿Por qué? Que normalmente te puede servir
para detectar la posición de otros jugadores,

496
00:47:43,070 --> 00:47:48,310
te puede servir para detectar o tomar
ciertas decisiones en la partida dependiendo de

497
00:47:48,310 --> 00:47:50,070
lo que se esté viendo en la pantalla.

498
00:47:50,110 --> 00:47:52,910
Y todas estas cosas las
puedes hacer desde cero.

499
00:47:53,130 --> 00:47:57,330
No solamente te tienes que guiar con lo
que te ofrezca el juego, sino que hay algunas

500
00:47:57,370 --> 00:48:04,230
cosas que los juegos no te ofrecen que
realmente son las cosas que más apetecen.

501
00:48:04,230 --> 00:48:06,786
Por ejemplo, hay un
montonazo de aplicaciones.

502
00:48:06,950 --> 00:48:11,339
Por ejemplo, yo también juego un juego
de terror que se llama Dead by Daylight.

503
00:48:11,750 --> 00:48:16,340
Hay una aplicación aquí que es Nightlight.

504
00:48:16,500 --> 00:48:21,640
Nightlight es una aplicación que
automáticamente detecta en la pantalla cuando tú has

505
00:48:21,640 --> 00:48:28,050
terminado una partida, hace una screenshot
A la pantalla de las estadísticas después

506
00:48:28,050 --> 00:48:32,010
de la partida y te hace como
un historial de partidas.

507
00:48:32,010 --> 00:48:36,610
¿Por qué? Porque el juego original no tiene
un historial de partidas en el que tú te

508
00:48:36,650 --> 00:48:41,450
puedas meter y decir Vale, estas son mis
últimas 10 partidas, en esta partida me ha pasado

509
00:48:41,490 --> 00:48:44,030
esto, en esta partida me
ha pasado lo otro, etc.

510
00:48:44,070 --> 00:48:50,600
Y esta persona con un poco de
inteligencia, pero no inteligencia artificial, está haciendo

511
00:48:50,600 --> 00:48:55,740
detección de partes de la pantalla En el
caso de que detecte que estás en la pantalla

512
00:48:55,740 --> 00:49:02,280
final, al final de la partida lo detecta,
hace una screenshot analiza la screenshot,

513
00:49:02,540 --> 00:49:07,480
regiones de la pantalla, las detecta y las
analiza y te dice, vale, esta partida tuvo

514
00:49:07,480 --> 00:49:13,800
una, hiciste esto bien, esto mal y estos
son los jugadores con los que jugaste y estos

515
00:49:13,800 --> 00:49:19,940
fueron tus puntos finales esa persona ha
intentado hacer algo que nunca estaba disponible

516
00:49:19,940 --> 00:49:25,500
ni lo estaría sin él, y gracias a él
gracias a que tuvo una idea de hacer un historial

517
00:49:25,500 --> 00:49:33,080
de partidas, por ejemplo pues ahora eso ya
está ahí O sea, las ideas se pueden desarrollar.

518
00:49:33,360 --> 00:49:37,040
Tengas tú las facilidades
del juego o no las tengas.

519
00:49:37,850 --> 00:49:41,510
Eso aplicado a juegos, ¿qué
más podríamos utilizar?

520
00:49:41,990 --> 00:49:46,250
Una pregunta, espera, voy a
pegar aquí un triple salto.

521
00:49:46,730 --> 00:49:50,830
Tenía apuntado que hablásemos
del AI Hub de Oracle.

522
00:49:52,350 --> 00:49:58,130
Sí, pero antes para acabar lo de los
juegos y por unirlo a lo mejor un poco, aparte de

523
00:49:58,130 --> 00:50:02,110
videojuegos que a lo mejor puede ser un
tema que a lo mejor haya gente que diga uff,

524
00:50:02,150 --> 00:50:07,150
pero me puede parecer muy complicado y
muchas variables o juego ocasional, porque estamos

525
00:50:07,150 --> 00:50:11,594
hablando de que tú ya juegas un nivel
profesional en competición y sports y tal.

526
00:50:12,190 --> 00:50:17,810
De este IA Hub Que me vas a hablar ahora
Y de qué soluciones podríamos utilizar

527
00:50:18,750 --> 00:50:23,170
Para, podríamos tener Alguna cosa, podríamos
hacer algo en inteligencia artificial

528
00:50:23,210 --> 00:50:28,870
Fácil de aprender O asequible, algo que
nos podríamos hacer Un bot de Discord Para Café

529
00:50:28,870 --> 00:50:34,590
de Atagase Sí, pues mira Te digo las dos
cosas, estoy haciendo aquí un triple salto Pero

530
00:50:34,590 --> 00:50:41,370
cuéntame lo del IA Hub Este de Oracle Que
vais a sacar Y cuéntame también casos de aplicaciones

531
00:50:41,370 --> 00:50:46,850
en los que podamos aplicar inteligencia
artificial un poco, pues, más cosas más cotidianas

532
00:50:46,850 --> 00:50:50,010
o cosas más asequibles o una pequeña empresa
que, digamos, pueda decir, oye, ¿podría

533
00:50:50,050 --> 00:50:54,730
yo utilizar servicios de inteligencia
artificial o poderme hacer un chatbot sobre mi

534
00:50:54,730 --> 00:51:00,530
empresa? Es decir, cosas más, quizá más
genéricas, a lo mejor más sencillitas.

535
00:51:00,530 --> 00:51:04,410
Sí, pues el AI Hub, ¿vale?

536
00:51:04,490 --> 00:51:11,130
Es una cosa que todavía no hemos sacado,
pero bueno, estamos haciendo un montón de personas,

537
00:51:11,390 --> 00:51:17,030
estamos haciendo una serie de casos de uso
que normalmente son comunes o son interesantes

538
00:51:17,030 --> 00:51:24,430
y yo estoy encargado de la parte de todos
los casos de usos que tengan que ver con inteligencia

539
00:51:24,430 --> 00:51:27,350
artificial. Entonces, yo
estoy en la parte del AI Hub.

540
00:51:27,390 --> 00:51:33,450
El AI Hub simplemente es una colección de
soluciones que se pueden empezar sin tener

541
00:51:33,450 --> 00:51:38,950
ni idea de nada para hacer tú algo guay con
inteligencia artificial en Oracle Cloud.

542
00:51:38,950 --> 00:51:46,530
Entonces, por ejemplo, uno de los
repositorios, una de las ideas que tuve fue empezar

543
00:51:48,610 --> 00:51:54,070
De cero, desde cero, sin conocimiento,
utilizando el servicio de OCI Language.

544
00:51:54,070 --> 00:51:59,430
Es un servicio de lenguaje que hay en Oracle,
que lo que hace es, aparte de traducir

545
00:51:59,430 --> 00:52:04,610
textos, no solamente, sino que hace
análisis de textos, en el sentido de que te puede

546
00:52:04,610 --> 00:52:12,060
clasificar el texto, te puede hacer
análisis de sentimiento del texto, y esas dos son

547
00:52:12,060 --> 00:52:14,960
las partes importantes
de este caso de uso.

548
00:52:14,960 --> 00:52:20,110
Por ejemplo, primero lo que hago es coger
un montonazo de tweets de la API de Twitter,

549
00:52:20,290 --> 00:52:29,000
pero no cojo los tweets de forma
indiscriminada, lo que hago es coger los tweets

550
00:52:29,000 --> 00:52:30,680
relacionados con un stock.

551
00:52:30,680 --> 00:52:34,940
Por ejemplo, el stock de Oracle o
el stock de NVIDIA, cualquier stock,

552
00:52:35,840 --> 00:52:42,920
tú se lo metes en la query, te saca 5 .000
tweets, los 5 .000 tweets más famosos, los

553
00:52:42,920 --> 00:52:49,200
más recientes, perdón, y entonces a través
de esos 5 .000 tweets primero se asegura de

554
00:52:49,200 --> 00:52:53,660
que todos los tweets estén en inglés,
utilizando el servicio hago la traducción de todos

555
00:52:53,700 --> 00:53:00,360
los textos a inglés y una vez todos los
textos estén en inglés hago análisis de sentimiento

556
00:53:00,360 --> 00:53:04,500
de los 5 .000 textos, y hago
una media luego ¿por qué?

557
00:53:05,240 --> 00:53:12,620
Porque o sea, el propósito de esto es más
o menos decirte cómo está en tiempo real el

558
00:53:12,620 --> 00:53:18,780
sentimiento de la gente de estoy comprando
este stock estoy vendiendo este stock y que

559
00:53:18,780 --> 00:53:24,500
te diga una forma de, vale te estoy
recomendando En tiempo real con inteligencia artificial,

560
00:53:24,820 --> 00:53:30,420
si deberías comprar o vender en un stock o
si deberías invertir dinero aquí aquí o no

561
00:53:30,420 --> 00:53:38,460
deberías invirtir dinero en este en este
stock eso qué emoción qué emoción se cuece detrás

562
00:53:38,460 --> 00:53:45,680
de no Sí exacto exacto es decir se se

563
00:53:45,680 --> 00:53:53,840
analiza más o menos si la gente está feliz
o está triste hablando de un stock en específico

564
00:53:53,840 --> 00:53:59,020
y esto se puede o sea es un caso de uso de
big data porque necesitas muchísimos tweets

565
00:53:59,020 --> 00:54:06,140
de hecho cuantos más tweets mejor va a ser
el análisis tienes muchísimos muchísimos datos

566
00:54:06,140 --> 00:54:12,500
y los estás pasando todos por el servicio
del lenguaje por lo tanto tú en tu casa no

567
00:54:12,500 --> 00:54:18,240
tienes que tener el ordenador ardiendo
porque estás pasándole la complejidad de los cálculos

568
00:54:18,240 --> 00:54:24,420
a un servicio oa un ordenador que está en
un data center que aparte de que tienen en

569
00:54:24,420 --> 00:54:31,760
una refrigeración brutal y con brutal me
refiero que algunos incluso sumergen los servidores

570
00:54:31,760 --> 00:54:38,760
en líquidos especiales que están bajo a
unas temperaturas muy bajas para que todo el

571
00:54:38,760 --> 00:54:44,500
calor y todo eso no te moleste pero vamos
que también es muy barato en el sentido de

572
00:54:44,500 --> 00:54:50,750
que a lo mejor una Una petición de 100
traducciones te cuesta 3, 4 céntimos.

573
00:54:51,970 --> 00:54:57,920
Entonces, Es bastante, es
uno de los múltiples casos.

574
00:54:58,020 --> 00:55:05,620
Otro caso que te puedo decir, por ejemplo,
es tú subes un PDF a una plataforma y

575
00:55:05,620 --> 00:55:12,620
puedes preguntar con generación de texto,
puedes preguntar a Oracle Cloud, le puedes

576
00:55:12,620 --> 00:55:14,500
hacer preguntas sobre ese texto en PDF.

577
00:55:14,540 --> 00:55:21,460
Es otro servicio que se llama Generative
AI Agents, que está ahora mismo en beta, pero

578
00:55:21,460 --> 00:55:28,300
por ejemplo estamos haciendo también, lo
estoy haciendo en este caso, una forma de tú

579
00:55:28,300 --> 00:55:35,280
aprender a generar datos, utilizar estos
datos, formatear los datos para que se puedan

580
00:55:35,280 --> 00:55:40,100
utilizar con Oracle Cloud, cuál es la
estructura de datos, por qué la estructura de datos

581
00:55:40,140 --> 00:55:46,320
es la que es, cómo utilizar el Oracle
Cloud para crear tus endpoints, cómo hacer el deployment,

582
00:55:46,700 --> 00:55:50,480
es decir, cómo tú, ¿cómo se
dice deployment en español?

583
00:55:51,980 --> 00:55:59,040
Despliegues eso, cómo hacer tú el
despliegue del modelo en Oracle Cloud, cómo se accede,

584
00:55:59,160 --> 00:56:00,716
cómo puedes invocarlo luego.

585
00:56:03,070 --> 00:56:06,350
Eso, como un overview de
cada uno de los servicios.

586
00:56:06,510 --> 00:56:12,090
Entonces he hecho ya, por ejemplo, en
visión con detección de objetos para detectar problemas

587
00:56:12,090 --> 00:56:19,350
en en alguno en algunas por ejemplo
manufacturadores de botellas análisis

588
00:56:19,350 --> 00:56:26,330
de detección de botellas para ver si
tienen imperfecciones en la superficie también hice

589
00:56:26,330 --> 00:56:33,560
por ejemplo con visión desde cero empezar
a tu poder hacer tu propio el modelo

590
00:56:33,560 --> 00:56:38,620
de detección de objetos para una cosa que
no existe en mi caso lo que hice fue un modelo

591
00:56:38,620 --> 00:56:45,540
de que te decía si tú Tú enfocabas una
cámara a cualquier persona y te decía si esa persona

592
00:56:45,540 --> 00:56:51,860
en la época del COVID, te decía si la
mascarilla está bien puesta, si está mal puesta

593
00:56:51,860 --> 00:56:57,320
o si no la lleva. Y en el caso de, te
preguntarás, ¿y cómo puede saber eso un modelo

594
00:56:57,320 --> 00:56:58,360
de inteligencia artificial?

595
00:56:58,400 --> 00:57:02,680
Pues lo único que tienes que hacer es
darle 50 .000 ejemplos de cada uno de los casos.

596
00:57:02,720 --> 00:57:08,200
Gente con la mascarilla mal puesta toma 10
.000 casos gente con la mascarilla bien puesta

597
00:57:08,200 --> 00:57:15,720
toma 10 .000 casos y gente sin mascarilla
toma 10 .000 y con eso se enseñó

598
00:57:15,720 --> 00:57:23,100
y enseñó a la gente a meterse a hacer
tu propio modelo de lo que te apetezca

599
00:57:23,100 --> 00:57:28,490
y cómo de proyectarlo en hora con cloud o
sea ellos el servicio por servicio tenemos

600
00:57:28,490 --> 00:57:33,750
o sea y vision tenemos data science para
para que tengas tus propios notebooks tenemos

601
00:57:33,880 --> 00:57:41,560
Pues eso el language el de lenguaje
tenemos también uno el gene y hay service nuevo tenemos

602
00:57:41,560 --> 00:57:46,780
o hace que te permite hacer un montón de
cosas de analítica y conectar servicios de oracle

603
00:57:46,780 --> 00:57:53,850
hay montonazo montonazo de cosas así
que es eso lo que a la gente le apetezca

604
00:57:53,850 --> 00:58:00,810
aprender pero todo es posible vamos lo
único que hace falta de saber dónde mira.

605
00:58:01,880 --> 00:58:05,160
¡Qué bueno! Voy a dar un dato
que a lo mejor no conocías.

606
00:58:05,480 --> 00:58:11,180
¿Sabías que en el blog de Café de Atabase
tengo publicado un artículo donde tengo

607
00:58:12,340 --> 00:58:14,080
incrustado un vídeo tuyo?

608
00:58:14,940 --> 00:58:16,520
¿Ah, sí? ¿No? No lo sabía.

609
00:58:17,100 --> 00:58:22,060
Pues porque en la hackathon que se hizo el
año pasado en las Naciones Unidas yo estaba

610
00:58:22,060 --> 00:58:24,580
como mentor. ¡Ah! ¡Vale, vale!

611
00:58:25,360 --> 00:58:29,060
Sí, entonces, ahí es donde
te conocí por primera vez.

612
00:58:29,060 --> 00:58:31,360
De conocido online por primera vez.

613
00:58:31,780 --> 00:58:37,400
Le pasaron a las personas que participaban
en esta hackathon, Oracle les pasó dos vídeos

614
00:58:37,400 --> 00:58:44,360
y uno de los vídeos era el tuyo y yo lo
puse en el blog, voy a poner aquí el enlace,

615
00:58:44,540 --> 00:58:52,420
en el que cuentas cómo hacer un modelo

616
00:58:52,420 --> 00:58:59,740
GPT en Oracle Cloud. Un vídeo muy conciso,
Es decir, fíjate que era un training,

617
00:58:59,920 --> 00:59:05,160
digamos, como de casi una hora o hasta menos
de una hora, quizás, no sé, 50 minutos,

618
00:59:05,440 --> 00:59:10,920
para que los participantes, que era gente
que podía no venir con ningún conocimiento

619
00:59:10,920 --> 00:59:16,200
de informática, gente o recién licenciada
o estudiantes O incluso había gente que no

620
00:59:16,200 --> 00:59:22,540
sabía desde que se metió porque tenía una
idea, era de buscar soluciones que estuviesen

621
00:59:22,540 --> 00:59:26,940
en línea con los objetivos de desarrollo
sostenible de las Naciones Unidas.

622
00:59:26,940 --> 00:59:33,960
Si tu vídeo era uno de los vídeos que vi
y dije yo qué bueno qué bueno y lo tengo

623
00:59:33,960 --> 00:59:41,160
puesto en el blog lo estoy viendo aquí sí
y también tienes a mi compañero paul parkinson

624
00:59:41,160 --> 00:59:47,840
ahí en el primer vídeo si pasaron los
vídeos exacto el vídeo en scratch visora cola no

625
00:59:47,840 --> 00:59:50,451
pegue ella y el tuyo era
del modelo de lo de...

626
00:59:52,520 --> 00:59:57,860
Paul Parkinson es una de las personas
que mejor me cae de todo el planeta.

627
00:59:58,180 --> 01:00:05,540
De hecho, he estado con él dos años en
Las Vegas y es la persona más graciosa

628
01:00:05,540 --> 01:00:09,860
que conozco, de verdad. Es súper
inteligente en ese sentido.

629
01:00:09,980 --> 01:00:12,591
O sea, tiene el mismo
sentido del humor que yo.

630
01:00:13,100 --> 01:00:18,400
Vamos, hemos estado llorando de
risa en Las Vegas varias veces.

631
01:00:18,640 --> 01:00:24,960
O sea, me río muchísimo con él y de hecho
sabe muchísimo muchísimo de realidad aumentada

632
01:00:24,960 --> 01:00:31,950
y de realidad virtual ha sido siempre su
expertise y ahora está metiéndose también con

633
01:00:31,950 --> 01:00:36,270
el tema de inteligencia artificial con las
nuevas vision pro le gusta también estar mucho

634
01:00:36,310 --> 01:00:43,710
metido en el tema de lo que va saliendo
y tal está muy bien así que si recomiendo

635
01:00:43,710 --> 01:00:51,050
recomiendo están ahí que
una última cosita O sea, se

636
01:00:51,050 --> 01:00:54,690
nos ha quedado corto el café, iba a ser
una hora y te estoy ahí arañando unos minutos

637
01:00:54,730 --> 01:01:02,350
más. Una última cosita, ¿cómo ves el
tema de empleo, posibilidades de empleo?

638
01:01:02,550 --> 01:01:09,590
Sobre todo, ¿en cuánto se puede valorar
a nivel profesional que un administrador,

639
01:01:09,650 --> 01:01:12,990
un programador, tenga
conocimientos sobre IA?

640
01:01:12,990 --> 01:01:14,490
¿Tú cómo lo ves esto ahora?

641
01:01:14,610 --> 01:01:19,390
Es decir, a nivel empresa, a nivel mercado,
a nivel recursos humanos, contratación.

642
01:01:19,610 --> 01:01:25,810
¿Cómo verías tú el invertir en aprender
inteligencia artificial a corto plazo, a largo

643
01:01:25,810 --> 01:01:28,690
plazo, a nivel profesional, en el empleo?

644
01:01:28,690 --> 01:01:35,760
Yo diría que Mínimo tener una
base es más importante hoy que

645
01:01:35,760 --> 01:01:42,990
antes y diría que incluso he notado, no
solo en Oracle, sino también conozco algunas

646
01:01:42,990 --> 01:01:46,930
personas que antes trabajaban en Oracle
conmigo, que se han ido a otras empresas y tal,

647
01:01:46,970 --> 01:01:54,160
que hay mucho cambio últimamente en el
que algunos empleados incluso se están

648
01:01:54,160 --> 01:01:58,500
pasando, empleados que no hacían nada de
inteligencia artificial les están pasando a

649
01:01:58,540 --> 01:02:05,120
inteligencia artificial. Porque, o sea,
están haciendo tanto peso las empresas en inteligencia

650
01:02:05,120 --> 01:02:09,960
artificial que están metiendo gente que ni
siquiera era de ese dominio previamente.

651
01:02:10,020 --> 01:02:16,400
Así que creo que tener una base de
inteligencia artificial es imprescindible en el mundo

652
01:02:16,400 --> 01:02:21,320
de la tecnología o si trabajas en una
empresa tecnológica o quieres trabajar en una empresa

653
01:02:21,360 --> 01:02:28,570
tecnológica. Pero vamos, es como
sugeriría que hace un par de años la

654
01:02:28,570 --> 01:02:35,650
gente se metiera en el tema de Python y
antes de eso la gente se metiera en el tema de

655
01:02:35,650 --> 01:02:38,890
la descentralización y
de la computación ubicua.

656
01:02:38,890 --> 01:02:44,200
O sea, toda la parte de
IoT, de todos los mini...

657
01:02:44,200 --> 01:02:51,380
O sea, cada cinco años o así hay un
tema en específico y ahora mismo el

658
01:02:51,380 --> 01:02:57,420
tema es inteligencia artificial y lo
recomiendo absolutamente a todos vosotros porque

659
01:02:57,420 --> 01:03:04,700
es importante. Es importante y
no duele el saber, pero sí duele

660
01:03:04,700 --> 01:03:09,840
el no saber. Entonces,
recomendado qué grande.

661
01:03:10,260 --> 01:03:14,900
Nacho, te voy a dejar que cierres, ¿vale?

662
01:03:15,060 --> 01:03:22,120
Sin antes necesito decirte que te
voy a invitar a que si quieres algún

663
01:03:22,120 --> 01:03:27,300
día, si quieres que hagamos algún
laboratorio en abierto para la gente, en plan así gratuito,

664
01:03:27,340 --> 01:03:30,220
para ver algo. Luego, ¿sabes cómo?

665
01:03:30,280 --> 01:03:32,200
Los seis tenemos créditos de ocio.

666
01:03:32,240 --> 01:03:36,820
Tengo como 6 .000 euros en ocio que
podemos utilizar y podemos gastar y podemos hacer

667
01:03:36,860 --> 01:03:42,360
algún cacharreo. Si quieres, mi casa es
tuya, mi Ocio es tuyo podemos hacer un laboratorio.

668
01:03:42,540 --> 01:03:47,560
Te brindo esta invitación a
que hagamos lo que quieras.

669
01:03:47,920 --> 01:03:52,200
Y te dejo, si tienes algo más que decir.

670
01:03:52,400 --> 01:03:55,720
Se me ha hecho corto, me han faltado...

671
01:03:55,720 --> 01:03:57,540
Sí, a mí también, la verdad.

672
01:03:58,100 --> 01:04:00,156
No sabía que había pasado ya la hora.

673
01:04:01,580 --> 01:04:04,380
Pero sí, sí, acepto esa invitación.

674
01:04:05,360 --> 01:04:13,160
Podemos hacer alguna sesión más
interactiva, que la gente pregunte lo

675
01:04:13,160 --> 01:04:16,640
que quiera y se lo podamos
responder en tiempo real.

676
01:04:16,640 --> 01:04:23,800
Las dudas en tiempo real de alguna
alguna yo que sé algún repositorio que

677
01:04:23,800 --> 01:04:32,760
os guste o tal pues o algún tema en
específico que vosotros queráis ver yo quiero

678
01:04:32,760 --> 01:04:36,080
retomar los laboratorios los tengo un poco
olvidados el siguiente laboratorio que voy

679
01:04:36,120 --> 01:04:41,900
a hacer va a ser hablar sobre la dualidad
de jason y relacional que tiene oracle 23 que

680
01:04:41,900 --> 01:04:48,060
permite que tanto si lo almacenas en jason
como si almacenas en relacional, con las Duality

681
01:04:48,060 --> 01:04:51,380
Views, lo puedas consultar
de forma transparente, ¿no?

682
01:04:51,420 --> 01:04:54,120
O operar con JSON o operar con SQL

683
01:04:55,360 --> 01:04:58,980
Puro y duro entonces, estoy preparando un
laboratorio de esto, está bien para todo el

684
01:04:59,020 --> 01:05:03,900
mundo en abierto y el siguiente, pues,
podemos hablar y podemos hacer alguna cosita juntos,

685
01:05:03,940 --> 01:05:06,662
si te parece. Puede estar
muy chulo por supuesto.

686
01:05:07,990 --> 01:05:11,050
Pues, oye, Nacho, un placer,
pero un placer enorme.

687
01:05:11,230 --> 01:05:13,350
Ha sido súper interesante.

688
01:05:14,610 --> 01:05:21,310
Igualmente, un placer de estar aquí
contigo Pues a todos, grabamos el podcast, lo subiremos

689
01:05:21,310 --> 01:05:26,970
yo creo que en un par de días lo subiremos
por si alguien lo quiere volver a oír, gracias

690
01:05:26,970 --> 01:05:33,310
a los que estáis ahí en la audiencia
comentando cosas algunos comentarios, ¿para cuándo

691
01:05:33,310 --> 01:05:34,754
vamos a ver Her en Oracle?

692
01:05:35,210 --> 01:05:41,890
Este es lo de Muchachada, es decir, robots
robots, pero si no tienen forma humana no

693
01:05:41,890 --> 01:05:46,250
puedes casarte con ellos, no son robots
un robot de cocina no es una Thermomix

694
01:05:47,280 --> 01:05:53,740
hoy ha sido un placer Nacho, cuando
quieras tenemos otra sesión, nos tomamos otro café

695
01:05:53,740 --> 01:05:59,400
juntos perfecto y a ver si nos vemos en
persona que en persona también los cafés son

696
01:05:59,400 --> 01:06:06,100
mucho mejores un abrazo
a todos muchas gracias