WEBVTT 00:00:08.370 --> 00:00:09.970 Pues ya estamos aquí, buenas tardes. 00:00:10.010 --> 00:00:12.066 Nacho Martínez, por fin. ¿Cómo estás? 00:00:12.190 --> 00:00:15.810 Hola, hola, muy bien. Gracias por la invitación. 00:00:16.580 --> 00:00:19.320 A ti, a ti por asistir, a ti por asistir. 00:00:21.440 --> 00:00:24.600 Tengo que introducir un poco cómo nos conocimos y todo. 00:00:24.980 --> 00:00:31.680 Me hubiera gustado... No sé por qué se me debió pasar en Las Vegas de conocerte. 00:00:31.860 --> 00:00:37.040 Quizá porque me centré mucho en ver las sesiones puramente de bases de datos, pero estuviste 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 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, 00:00:49.880 --> 00:00:53.840 con todo esto. Y de ahí te conozco. 00:00:54.520 --> 00:00:58.000 Cuéntanos un poco qué cosas has hecho y tal. 00:00:58.000 --> 00:01:05.630 Tal, pues no sé por dónde empezar, porque llevo ya, me 00:01:05.630 --> 00:01:12.870 parece que llevo 55 años y pico en oracle, así que me ha dado muchísimo tiempo 00:01:12.870 --> 00:01:18.130 para hacer, pues, bastantes cosas de todo tipo. 00:01:18.130 --> 00:01:24.910 En general me he centrado en inteligencia artificial, antes trabajaba en consultoría, 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 00:01:32.030 --> 00:01:39.020 en relaciones de desarrolladores, en marketing, y ahora trabajo más en Estados Unidos. 00:01:40.720 --> 00:01:44.840 Pero vamos, hay temas de todo lo que quieras saber. 00:01:44.980 --> 00:01:50.400 Mira, he hecho cosas de computer vision, de detección de objetos, segmentación de imágenes, 00:01:50.540 --> 00:01:57.760 hago cosas también de HPC que básicamente es computación High 00:01:57.760 --> 00:02:03.920 Performance Computing que lo que permite es hacer un montón de cosas con tarjetas gráficas 00:02:03.920 --> 00:02:11.580 sobre todo entrenar redes neuronales o para generar textos o para casos 00:02:11.580 --> 00:02:18.920 específicos de traducir textos por ejemplo también tiene que ver con eso, más o 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 00:02:24.600 --> 00:02:30.240 la inteligencia artificial como las cosas que existen están implementadas actualmente 00:02:30.240 --> 00:02:37.480 y como como se hacen en código y yo creo que aprendiendo eso tengo ahora 00:02:37.480 --> 00:02:42.920 más conocimiento plan si tengo una idea soy capaz de implementarla más fácilmente porque 00:02:42.920 --> 00:02:48.590 sé cómo está implementado cómo ha sido implementado por detrás y eso me ayuda un poco 00:02:48.590 --> 00:02:56.140 a tener una idea de una idea más general de inteligencia artificial que 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 00:03:02.560 --> 00:03:08.280 tu kit hub súper interesante las cosas que tienes ahí y además mola mogollón que hagamos 00:03:08.280 --> 00:03:15.120 cosas así las y las compartamos porque porque yo también cuando yo también tengo un repositorio 00:03:15.120 --> 00:03:20.920 cuando hago algún paquete que puede estar así chulo de uso, pues Compartirlo le estoy 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 00:03:28.530 --> 00:03:34.050 Compartamos cosas tuyas lo podemos llamar lo crearé en un momento ahí, 00:03:35.050 --> 00:03:42.090 por ejemplo y podemos Ver cositas de tu repositorio, 00:03:42.090 --> 00:03:47.610 por ejemplo que nos recomienda ¿Por dónde me recomiendas empezar a cacharrear o cosas 00:03:47.610 --> 00:03:49.830 que se puedan implementar yo? 00:03:50.070 --> 00:03:54.070 ¿Me recomiendas un repositorio para empezar, para aprender o es muy pro? 00:03:54.390 --> 00:03:57.590 No, de hecho, sí te lo recomiendo. 00:03:57.670 --> 00:04:04.090 No es muy pro porque en general intento simplificar los conceptos para que la gente se 00:04:04.090 --> 00:04:08.610 pueda meter. De hecho, tengo un montón de repositorios que lo único que son son guías 00:04:08.650 --> 00:04:11.790 de cómo meterse en el tema de Machine Learning. 00:04:11.790 --> 00:04:19.290 Yo algunas veces explicando algún concepto complejo de inteligencia artificial que 00:04:19.290 --> 00:04:21.234 no se entienda o que sea muy nuevo. 00:04:21.310 --> 00:04:27.390 Por ejemplo, últimamente como en el mundo de inteligencia artificial ha explotado el 00:04:27.390 --> 00:04:33.450 tema de los LLMs, de la generación de texto, también generación de imágenes, generación 00:04:33.450 --> 00:04:40.970 de vídeo. Tengo varios repositorios alrededor de conceptos así por ejemplo hice hace 00:04:40.970 --> 00:04:46.630 poco un repositorio bueno hice la implementación que había hecho otra persona así funciona 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 00:04:52.770 --> 00:04:58.970 haces algo interesante hice por ejemplo un un repositorio que tengo que se llama draw 00:04:58.970 --> 00:05:05.860 a real time es un repositorio que utiliza stable diffusion stable diffusion para quien 00:05:05.860 --> 00:05:12.590 no lo sepa es un modelo de generación de imágenes open source que está disponible para 00:05:12.590 --> 00:05:20.310 todo el mundo y que pues tiene su propia implementación por detrás Entonces cogí 00:05:20.310 --> 00:05:27.760 el repositorio de StableDiffusion, modifiqué un par de cosas, añadí algunas técnicas 00:05:27.760 --> 00:05:32.720 como por ejemplo Variational Autoencoding que parece Que da bastante miedo pero simplemente 00:05:32.760 --> 00:05:42.780 es una forma de coger una imagen generada y resolver algunas partes 00:05:42.780 --> 00:05:49.190 que se llaman Latents que son importantes para el modelo para saber en qué trozos de 00:05:49.190 --> 00:05:52.910 la imagen se van a generar cada uno de los objetos que se van a generar. 00:05:52.950 --> 00:05:58.890 Bueno, en total, que en mi repositorio se puede encontrar, por ejemplo, stable diffusion, 00:05:59.150 --> 00:06:05.590 pero en tiempo real. Es decir, reduciendo el tiempo de resolver cada generación para 00:06:05.660 --> 00:06:10.240 aproximadamente muy pocos segundos o fracciones de segundo. 00:06:10.240 --> 00:06:16.760 A lo mejor en 10 milisegundos tienes una imagen nueva de Stable Diffusion. 00:06:17.160 --> 00:06:22.200 Normalmente Stable Diffusion requiere segundos o minutos para generar imágenes porque 00:06:22.200 --> 00:06:26.440 requiere muchísima capacidad de computación. 00:06:27.520 --> 00:06:29.360 Optimizaciones, así tengo un montón. 00:06:29.400 --> 00:06:31.120 Luego también tengo guías. 00:06:31.120 --> 00:06:34.900 Estoy viendo el Stable Diffusion, el paquete. 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 00:06:42.320 --> 00:06:44.580 y estoy poniendo también el de Stable Diffusion. 00:06:44.620 --> 00:06:51.840 ¿Lo has hecho con OCI? A ver, en general intento hacer la mayoría de 00:06:51.840 --> 00:06:57.780 cosas con OCI, ya que trabajo en Oracle, pues tengo que aprovecharlo, primero porque 00:06:57.780 --> 00:07:05.180 me ayuda mucho con la parte de infraestructura, No me tengo que preocupar por estar 00:07:05.180 --> 00:07:12.240 destrozando mi ordenador personal en hacer este tipo de cosas, sobre todo cuando hago 00:07:12.460 --> 00:07:18.760 cosas así de High Performance Computing, intento utilizar las tarjetas gráficas de Oracle, 00:07:19.020 --> 00:07:26.710 que son realmente económicas para problemas así, cuestan 00:07:26.710 --> 00:07:30.030 alrededor de 1 o 2 dólares por hora. 00:07:30.030 --> 00:07:37.380 Son unas tarjetas gráficas que no sé si la gente comprende realmente por qué el stock 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 00:07:43.620 --> 00:07:50.120 de dólares en nuestro caso el motivo real es porque las tarjetas gráficas que tienen 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 00:07:57.270 --> 00:08:01.570 alrededor de 15 mil a 20 mil dólares cada una de de las tarjetas gráficas. 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 00:08:08.050 --> 00:08:13.890 la adquisición de tarjetas gráficas por Oracle de NVIDIA y era como, wow. 00:08:14.780 --> 00:08:21.680 Sí, sí estaban, pues eso, carísimas las tarjetas gráficas, entonces realmente que te 00:08:22.280 --> 00:08:27.520 alquilen o que te permitan utilizar una tarjeta gráfica de 20 .000 dólares en tu propia 00:08:27.520 --> 00:08:34.060 casa para hacer un problema Que te te apetezca resolver, es realmente muy agradable y 00:08:34.060 --> 00:08:41.040 muy bueno para Que la gente pueda seguir teniendo creatividad, aunque no tenga acceso 00:08:41.040 --> 00:08:43.720 a tarjetas gráficas súper caras. 00:08:43.740 --> 00:08:47.240 Sobre todo para inteligencia artificial es bastante importante. 00:08:48.460 --> 00:08:53.560 Qué bueno te he interrumpido, perdona, cuéntame más de tu repositorio de GitHub. 00:08:53.780 --> 00:08:57.400 Cositas que tengas ahí sí, pues mira, también tengo... 00:08:57.400 --> 00:09:04.780 Bueno, aparte de que a lo mejor en YouTube hay bastantes replays de algunas 00:09:04.780 --> 00:09:09.940 sesiones que he hecho, las sesiones que normalmente voy haciendo se acaban subiendo allí 00:09:09.940 --> 00:09:15.340 por inercia en el canal de Oracle Developers de YouTube, que es donde están todas las 00:09:15.340 --> 00:09:19.840 replays de todas las sesiones que he hecho hago sesiones de inteligencia artificial he 00:09:19.880 --> 00:09:27.040 hecho por ejemplo tengo también un repositorio interesante que 00:09:27.040 --> 00:09:34.300 al final se llama F1 Telemetry Oracle Es un repositorio de telemetría que realmente 00:09:34.300 --> 00:09:42.050 no es 100 % inteligente artificial, porque lo que se centra este repositorio 00:09:42.050 --> 00:09:46.430 es en extraer datos, en generar datos sintéticos. 00:09:46.490 --> 00:09:52.450 En este caso, ¿has jugado alguna vez al juego este de Steam de Fórmula 1? 00:09:52.570 --> 00:09:56.250 El juego oficial de Fórmula 1, o en la Playstation o en algún lado. 00:09:56.290 --> 00:09:58.990 Al decir no, a ese no, a ese no. 00:09:59.050 --> 00:10:01.994 Te iba a preguntar también por juegos, pero a ese no. 00:10:02.190 --> 00:10:09.210 Es un juego que, aparte, te puedo contar una cosa interesante porque yo he 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, 00:10:15.390 --> 00:10:18.490 pero he trabajado como Data Scientist con ellos. 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 00:10:24.730 --> 00:10:29.590 un equipo de esports. Esto no lo conoce la gente. 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 00:10:36.650 --> 00:10:44.510 y tienen competiciones realmente, son realmente unas fieras igual que los conductores 00:10:44.510 --> 00:10:50.590 reales. De hecho, el conductor que ahora mismo está conduciendo el equipo de esports 00:10:50.590 --> 00:10:52.812 de Red Bull, que se llama Sebastian Job, 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. 00:11:00.540 --> 00:11:08.000 Estuvo dándome un tour realmente es súper, súper humilde porque nos dio un tour él 00:11:08.000 --> 00:11:14.160 mismo de todas las facilities allí en los headquarters de Red Bull, en Milton Keynes. 00:11:15.370 --> 00:11:20.750 Y nos dio también una masterclass, estuvimos ahí conduciendo con él dos horas en el simulador 00:11:20.750 --> 00:11:24.194 y nos dijo, pues mira, así es como se conduce realmente y tal. 00:11:24.560 --> 00:11:28.280 ¡Qué bueno! Bueno, como tienen un... 00:11:28.280 --> 00:11:35.860 Lo que quería decir es que como tienen un equipo de Fórmula 1, de eSports, también 00:11:35.860 --> 00:11:39.000 hemos hecho cosas con la telemetría del juego. 00:11:39.000 --> 00:11:46.100 Es decir, había que encontrar una forma de coger los datos que se pueden encontrar en 00:11:46.100 --> 00:11:48.660 el juego, extraerlos con Python. 00:11:48.780 --> 00:11:55.900 En este caso, yo lo que hice es utilizar un simulador de 00:11:55.900 --> 00:12:00.700 paquetes que permite leer los paquetes porque normalmente van cifrados. 00:12:00.700 --> 00:12:06.100 Entonces, un descifrador de paquetes que alguien había hecho, los utilicé, los conecté 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, 00:12:11.640 --> 00:12:15.240 va generando alrededor de 30 o 60 paquetes. 00:12:15.240 --> 00:12:21.990 Eso es configurable, pero se generan unos paquetes que te va diciendo la posición de 00:12:21.990 --> 00:12:27.850 cada uno de los coches en el circuito, la velocidad y algunas estadísticas como por ejemplo 00:12:27.850 --> 00:12:34.970 las velocidades en cada una de las rectas, la degradación de las ruedas, etc. 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 00:12:41.870 --> 00:12:49.230 experiencia interesante. Entonces, a partir, a raíz de este repositorio de Telemetry 00:12:49.230 --> 00:12:57.190 F1, con el código de extracción, al final acabamos haciendo Una hackathon para 00:12:57.190 --> 00:13:04.230 gente que se dedica a inteligencia artificial, machine learning, etc., que hicieron una 00:13:04.230 --> 00:13:08.210 serie de modelos de predicción de la 00:13:09.330 --> 00:13:13.710 temperatura y… ¿cómo se dice weather en español? 00:13:13.830 --> 00:13:14.790 Se me ha olvidado decir weather. 00:13:14.830 --> 00:13:21.930 El clima sería el clima. Últimamente me suele pasar que 00:13:21.930 --> 00:13:25.990 algunas palabras en español se me olvidan porque normalmente estoy hablando inglés en 00:13:26.030 --> 00:13:29.410 el trabajo. Así que si me pasa eso, me tenéis que disculpar. 00:13:29.510 --> 00:13:32.730 Pero vamos, las condiciones meteorológicas del día, ¿no? 00:13:32.730 --> 00:13:39.100 Sí, exacto, pero dentro del videojuego por lo tanto era una simulación y luego incluso 00:13:39.100 --> 00:13:44.260 hubo algunos equipos que lo que hicieron en la implementación es aumentar o extender 00:13:44.260 --> 00:13:51.180 el problema con Programas de simulación, de dinámica de fluidos y todo, que es los programas 00:13:51.180 --> 00:13:58.400 que al final se acaban utilizando las cadenas de televisión y tal, que tienen sus propios 00:14:01.020 --> 00:14:07.150 Meteorólogos Estos meteorólogos lo único que están haciendo es utilizar unas tarjetas 00:14:07.150 --> 00:14:12.510 gráficas y ellos también tienen, por ejemplo, en el cloud sus tarjetas gráficas, tienen 00:14:12.510 --> 00:14:14.790 sus contratos y son contratos millonarios. 00:14:14.830 --> 00:14:22.420 Que es comprar tarjetas gráficas de oracle por ejemplo antena 3 tiene algunos 00:14:22.420 --> 00:14:29.540 entre otros a tres players tiene no me sé pero 00:14:29.660 --> 00:14:35.560 vamos hay algunas empresas en españa que utilizan ahora con cloud por ejemplo y utilizan 00:14:35.560 --> 00:14:41.900 las tarjetas gráficas para calcular la dinámica de fluidos el comportamiento del viento 00:14:41.900 --> 00:14:49.020 de la presión y todo esto en trocitos muy pequeños escalables de 00:14:49.020 --> 00:14:56.270 cómo se va a comportar el tiempo la humedad el agua y todo esto y 00:14:56.270 --> 00:15:02.010 la lluvia en muy en trocitos muy pequeños esos cálculos lo único que hacen son llamar 00:15:02.010 --> 00:15:05.470 a un modelo de inteligencia artificial que ha sido entrenado con muchos años de datos 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 00:15:11.550 --> 00:15:19.040 uno de los muchísimos casos que hay de inteligencia artificial en el mundo de hoy que 00:15:19.390 --> 00:15:27.490 grande mira te quería te quería empezar así con esta pedagogía así de café en términos 00:15:27.490 --> 00:15:35.650 para humanos la diferencia entre entre machine learning deep learning y la generativa 00:15:35.650 --> 00:15:37.070 los modelos de el lenguaje. 00:15:37.110 --> 00:15:40.250 Nos podrías decir una definición así en plan cotidiana, ¿no? 00:15:40.290 --> 00:15:43.970 Es decir, para quien Aterrice en esto, aparte de ChatGPT, ¿no? 00:15:44.390 --> 00:15:50.250 Sí. ¿Qué herramientas tenemos y para qué nos sirven unas o qué cosas podemos hacer con 00:15:50.250 --> 00:15:52.170 unas y qué cosas podemos hacer con otras? 00:15:52.210 --> 00:15:59.370 Vale, sí es buena pregunta porque en general mucha gente no sabe la diferencia, así que 00:15:59.370 --> 00:16:00.550 va a estar bien explicarla. 00:16:00.590 --> 00:16:03.590 A ver, ¿cómo digo esto de forma clara? 00:16:04.130 --> 00:16:11.810 Machine Learning es simplemente una forma de explicar que hay algún mecanismo 00:16:11.810 --> 00:16:19.370 por detrás en la lógica del programa que se utiliza para que la próxima vez que 00:16:19.560 --> 00:16:27.860 el ordenador o el procesador vea un dato haya tomado 00:16:27.860 --> 00:16:33.080 una decisión más informada sobre ese dato de lo que estaba tomando la la primera vez 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 00:16:40.140 --> 00:16:46.600 ejemplo me hago un árbol de decisión binario que simplemente funciona de sí o no todas 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 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 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 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 00:17:10.620 --> 00:17:16.660 esto es un coche esto es más sin learning porque porque por ejemplo estoy tomando un 00:17:16.660 --> 00:17:23.740 árbol de decisiones que estoy haciendo preguntas binarias sobre algunas cosas De la 00:17:23.740 --> 00:17:31.230 imagen para determinar si esto es un coche o no estoy utilizando una forma de decidir 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 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 00:17:40.930 --> 00:17:48.380 porque deep learning es simplemente un subset de cosas en inteligencia 00:17:48.380 --> 00:17:53.880 artificial al final inteligencia artificial es ambas cosas es machine learning deep learning 00:17:53.880 --> 00:18:00.380 y Y un montón más de cosas que entran dentro de la categoría de Artificial Intelligence. 00:18:00.980 --> 00:18:07.660 Pero Deep Learning es solamente un tipo específico de implementación, de toma de decisiones, 00:18:07.660 --> 00:18:10.240 que es las redes neuronales. 00:18:10.560 --> 00:18:13.900 Y no todas las redes neuronales son Deep Learning. 00:18:14.500 --> 00:18:18.820 La red neuronal es simplemente una forma de aprender, 00:18:20.370 --> 00:18:23.120 De que el ordenador aprenda. 00:18:23.120 --> 00:18:29.680 Entonces, de forma muy simplificada, tú tienes una serie de neuronas que se comunican 00:18:29.680 --> 00:18:35.020 entre ellas, están conectadas entre ellas y se transmiten información intentando más 00:18:35.020 --> 00:18:41.690 o menos aproximar el comportamiento que nosotros tenemos en nuestro cerebro. 00:18:41.690 --> 00:18:49.030 Se teoriza que muchas de las conexiones entre las neuronas se crean 00:18:49.030 --> 00:18:51.130 cuando nosotros somos jóvenes, 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. 00:18:57.340 --> 00:19:03.580 Hasta entonces nuestro cerebro no se ha desarrollado completamente, entonces tiene eso 00:19:03.580 --> 00:19:09.460 que se llama en los niños que tiene plasticidad, que tienes la capacidad de reprogramar 00:19:09.460 --> 00:19:11.920 algunas partes de tu cerebro o de aprender muchísimo. 00:19:11.960 --> 00:19:17.080 Por ejemplo, la gente que aprende ajedrez, normalmente los gran maestros de ajedrez, 00:19:17.120 --> 00:19:22.620 hay una estadística que dice que alrededor del 95 % de los gran maestros de ajedrez siempre 00:19:22.620 --> 00:19:27.600 empezaron a jugar al ajedrez desde muy jóvenes, porque en esa época la plasticidad del 00:19:27.600 --> 00:19:34.280 cerebro es muy alta y entonces tienen mucha capacidad de aprender en ese momento. 00:19:34.280 --> 00:19:40.560 ¿Por qué? Porque las neuronas están conectando entre sí y están haciendo el camino que 00:19:40.560 --> 00:19:44.420 el resto de nuestra vida va a determinar cómo nosotros pensamos. 00:19:45.180 --> 00:19:52.200 Y eso se ve afectado por cómo las experiencias que tenemos nos reprograman 00:19:52.200 --> 00:19:59.840 las neuronas más o menos cuando Somos jóvenes y llegamos al punto del presente, en 00:19:59.840 --> 00:20:07.180 el que tenemos nuestro cerebro, tenemos una red neuronal que toma decisiones y 00:20:07.240 --> 00:20:14.140 que matemáticamente esas decisiones se aproximan como si fueran derivadas parciales en 00:20:14.140 --> 00:20:19.110 matemáticas. Lo único que estamos haciendo en una red neuronal es pasar la información 00:20:19.110 --> 00:20:25.070 de forma separada, algunos normalmente lo que se hace en una imagen es separarlo por 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 00:20:30.370 --> 00:20:37.620 y cada uno de ellos procesa esa parte del color, ese canal de color de 00:20:37.620 --> 00:20:42.300 la imagen y toma decisiones de qué objeto es este, ¿vale? 00:20:42.920 --> 00:20:49.360 ¿Qué pasa? Que tras cada iteración de la red neuronal, esa red neuronal pasa otra vez 00:20:49.360 --> 00:20:53.440 al principio de esa red neuronal, le transmite algo de información para que la segunda 00:20:53.480 --> 00:20:59.800 vez, la segunda iteración de la red neuronal, funcione mejor que la anterior, sea mejor, 00:20:59.880 --> 00:21:03.300 un mejor predictor de lo que estamos intentando predecir. 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 00:21:09.260 --> 00:21:10.880 más de dos capas en el medio. 00:21:11.260 --> 00:21:18.300 Es simplemente una cosa muy específica que hace falta que pase para 00:21:18.300 --> 00:21:23.000 que Deep Learning exista, que es que tengas una red neuronal con cuatro capas o más. 00:21:23.000 --> 00:21:26.980 Es decir, con una capa al principio, una capa al final y dos en medio. 00:21:27.750 --> 00:21:31.010 Hay algunas redes neuronales súper, súper complejas. 00:21:31.210 --> 00:21:38.420 Para poner más o menos a la gente en la idea, hay algunas redes neuronales 00:21:38.420 --> 00:21:45.610 que pesan gigabytes. Es decir, que han utilizado decenas de miles 00:21:45.610 --> 00:21:53.290 de millones de pequeños datos y probablemente entrenados en, diría 00:21:53.610 --> 00:21:59.220 que alrededor de 10 elevado a, digamos, 00:22:00.480 --> 00:22:04.380 10 millones de iteraciones, un millón de iteraciones, depende del caso. 00:22:04.420 --> 00:22:09.620 Pero vamos muchísimas muchísimas iteraciones por ejemplo en el caso de chat gpt y todo 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 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 00:22:23.500 --> 00:22:29.160 mil o 300 mil dólares con tarjetas gráficas por el número de iteraciones y el número 00:22:29.160 --> 00:22:33.380 de tokens que se utiliza para entrenar estos Estos modelos, o 00:22:34.460 --> 00:22:37.160 sea que hay un montón de datos disponibles. 00:22:38.090 --> 00:22:40.850 El caso, por ejemplo, sí, dime, dime, dime. 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 00:22:47.770 --> 00:22:53.250 alimentas el modelo o cuáles son los datos que utilizas como fuente para aprendizaje. 00:22:53.250 --> 00:22:59.810 Me sorprendió muchísimo, por ejemplo, que en tu presentación que hiciste sobre ese modelo 00:22:59.810 --> 00:23:03.930 de aprendizaje sobre League of Legends para que te fuera diciendo cómo vas en la partida, 00:23:03.970 --> 00:23:10.970 tú escogiste solamente aquellas partidas jugadas por maestros de League of Legends que 00:23:10.970 --> 00:23:17.330 habían sido partidas que habían jugado especialmente bien y que las habías seleccionado 00:23:17.330 --> 00:23:21.530 a partir de una determinada puntuación para alimentar ese modelo. 00:23:21.530 --> 00:23:28.580 Entonces aquí nos encontramos también en ese caso si hay que tomar tienes que 00:23:28.580 --> 00:23:33.400 hacer un análisis crítico de qué datos son Los que quieres utilizar en tu modelo por 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 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 00:23:46.530 --> 00:23:52.110 de google ha bajado y está relacionado directamente con una gran polémica que está pasando 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 00:23:59.630 --> 00:24:06.770 modelo por ejemplo tiene ciertos sesgos social socioculturales que hacen que 00:24:06.770 --> 00:24:14.290 el stock de google haya bajado porque la gente está frustrada por Por ejemplo, han 00:24:14.550 --> 00:24:22.120 utilizado una serie de datos de entrenamiento que no ha reflejado 00:24:22.120 --> 00:24:25.180 realmente la sociedad hoy en día. 00:24:25.220 --> 00:24:32.280 Por ejemplo, y es un tema bastante polémico, lo repito, algunas personas 00:24:32.280 --> 00:24:38.960 lo que dicen es que el modelo intenta o acaba preferenciando, Acaba discriminando, por 00:24:38.960 --> 00:24:46.340 ejemplo, a la gente blanca, porque en este caso el 00:24:46.860 --> 00:24:54.440 modelo ha sido entrenado con un montón de imágenes de todas las culturas, excepto, a 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 00:24:59.480 --> 00:25:03.860 quitar o se ha intentado dar menos luz a la gente blanca. 00:25:03.860 --> 00:25:12.430 Entonces pues eso ha causado un montón de caos porque por ejemplo creaba vikingos 00:25:12.430 --> 00:25:19.530 indios creaba Vikingos asiáticos que cosas que realmente no 00:25:19.530 --> 00:25:27.230 no existen otro tipo de polémicas que han sucedido en el pasado son que los 00:25:27.230 --> 00:25:34.590 modelos por ejemplo tienen sesgos políticos por ejemplo en eeuu esto Esto es muy importante 00:25:34.590 --> 00:25:39.330 y muy problemático. La primera de Microsoft, la primera y a esta que un poco lanzaron, 00:25:39.370 --> 00:25:46.210 alimentada de Twitter, en los dos días empezó a tener comportamientos xenófobos y nazis. 00:25:46.870 --> 00:25:53.940 Exacto, exacto es decir, estas cosas cuando no se controlan son muy peligrosas y 00:25:53.940 --> 00:25:56.940 de hecho es uno de los miedos que muchas empresas tienen. 00:25:56.980 --> 00:26:03.360 Las personas individuales no tenemos ese miedo porque no tenemos la responsabilidad de 00:26:03.360 --> 00:26:10.560 tener una empresa de miles de millones de dólares detrás de nosotros, pero las 00:26:10.560 --> 00:26:16.820 empresas grandes tienen bastante miedo de meterse con estas cosas a no ser que realmente 00:26:16.820 --> 00:26:24.510 estén los modelos realmente moderados de contenido y controlados 00:26:24.510 --> 00:26:26.990 de cierta manera para evitar problemas así. 00:26:27.490 --> 00:26:32.370 Algunos modelos de inteligencia, o sea, modelos de generación de lenguaje que se insultaban 00:26:32.410 --> 00:26:36.090 a sí mismos y todo. O sea, hay algunas cosas que todavía faltan. 00:26:36.330 --> 00:26:42.780 Estamos todavía en los primeros, bueno, todo el tema de generación de texto. 00:26:42.780 --> 00:26:49.960 Yo, para dar contexto, lleva desde 2015 desarrollándose y de hecho uno de los papers 00:26:49.960 --> 00:26:57.040 más importantes de toda la academia de generación de textos, todo lo que Ha pasado con 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 00:27:02.220 --> 00:27:10.660 en 2017 llamado Attention is all you need, que introducía una técnica que 00:27:10.660 --> 00:27:17.700 se llama atención, que es lo que te permite darle a cualquier 00:27:17.700 --> 00:27:22.820 texto el significado que venía antes y después del texto para meterlo en contexto y que 00:27:22.820 --> 00:27:26.042 el modelo de generación de lenguaje entienda ese contexto. 00:27:27.330 --> 00:27:33.970 Entonces lleva muchísimos años, pero cuando me refiero a que ahora mismo está explotando 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, 00:27:38.470 --> 00:27:42.090 que se dedican a este tipo de cosas porque la gente le gusta. 00:27:42.730 --> 00:27:47.230 Entonces, el último, yo diría que los dos últimos años han sido como los más importantes 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 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 00:28:00.780 --> 00:28:05.810 inteligencia artificial. De hecho, me parece muy interesante la parte de la atención, 00:28:06.230 --> 00:28:13.450 porque cuando me preguntaron a Kahneman sobre cuál 00:28:13.450 --> 00:28:19.890 sería aquel conocimiento que si los seres humanos incorporasen tendría mejor impacto 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 00:28:25.990 --> 00:28:28.150 cuando lo estás viendo, cuando estás prestando atención. 00:28:28.190 --> 00:28:33.030 ¿Cómo quiero decir? La atención es la que pone el contexto de la importancia. 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 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 00:28:44.150 --> 00:28:48.730 prestando. Y que hasta ahora la gente entendía que esto era al revés, que la importancia 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 00:28:53.810 --> 00:28:59.210 interesaba por ciertas cosas cuando en realidad el primer motor es esa atención, a qué 00:28:59.210 --> 00:29:03.450 le prestamos atención. Y si es una inteligencia artificial, es una variable que tú puedes 00:29:03.490 --> 00:29:09.070 definir o potenciar, es decir, quiero focalizar la atención en, como decías tú, un grupo 00:29:09.070 --> 00:29:16.270 racial, un grupo minoritario o mayoritario o una cierta corriente política, una cierta 00:29:16.270 --> 00:29:23.770 tendencia, tiene muchísimo impacto en lo que sucede a partir de ahí, a continuación. 00:29:24.350 --> 00:29:31.350 Sí, y también tiene consecuencias claras, como la que hemos visto 00:29:31.350 --> 00:29:38.530 con Google, porque la gente espera un estándar de trato cuando habla 00:29:38.530 --> 00:29:43.390 con un modelo de inteligencia artificial, por ejemplo tú vas al doctor, vas al médico 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 00:29:49.250 --> 00:29:55.370 en la cara esperas cierto tipo de cosas de algunos comportamientos que no quieres que 00:29:55.370 --> 00:30:01.450 sucedan porque los consideras inaceptables eso también yo creo que la gente pues no quiere 00:30:01.450 --> 00:30:06.550 que el modelo de inteligencia artificial le trate mal o se sienta discriminado o cualquier 00:30:06.550 --> 00:30:09.350 tipo de estas cosas No, claro. 00:30:09.550 --> 00:30:14.790 Bueno, nosotros en nuestra vida humana sufrimos muchas cosas que son muy contextuales. 00:30:14.790 --> 00:30:19.490 El juramento hipocrático solamente lo tienen los médicos, es como un juramento que, es 00:30:19.530 --> 00:30:24.450 decir, un abogado no tiene, un electricista No tiene, un juramento de que por encima 00:30:24.450 --> 00:30:27.350 de todo voy a hacer una corriente estable. 00:30:27.350 --> 00:30:34.890 Es como, ¿no? Y eso es contexto muchas veces porque determina 00:30:34.890 --> 00:30:37.190 otras cuestiones éticas, ¿no? 00:30:38.480 --> 00:30:43.640 En la bioética, por ejemplo, salud, ya no estamos metiendo aquí eutanasia, todo esto, 00:30:43.740 --> 00:30:48.620 pero son cuestiones humanas que se siguen entendiendo dentro de los contextos también 00:30:48.620 --> 00:30:55.840 de inteligencia, pero también en una base de conocimiento filosófico y de entendimiento 00:30:55.840 --> 00:30:57.020 que estamos descubriendo también. 00:30:57.060 --> 00:31:02.570 Lo que hablábamos de la atención, se están descubriendo cosas nuevas de cómo nos comportamos 00:31:02.570 --> 00:31:07.070 y en esta inteligencia artificial que estamos creando estamos a la altura de crear esa 00:31:07.110 --> 00:31:14.190 base. Wow, estamos avanzados y yo diría 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 00:31:21.310 --> 00:31:27.290 gente llevando en el metro las Apple Vision Pro, las nuevas gafas de realidad aumentada 00:31:27.290 --> 00:31:34.300 de apple o sea que nuestra como sociedad estamos siendo 00:31:34.300 --> 00:31:41.400 más self absorb estamos centrándonos más en nosotros más y más y es un poco peligroso 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 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 00:31:53.900 --> 00:32:01.330 estamos yendo hacia ahí sí sí y yo diría que en general debería preocuparme 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 00:32:08.610 --> 00:32:13.800 yo creo que está perdido nosotros como individuos nunca podremos controlar el mundo de 00:32:13.800 --> 00:32:21.320 ninguna manera a no Ser que seamos multimillonarios y ni siquiera probamos que la 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, 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 00:32:31.120 --> 00:32:36.180 las personas no las almas de las personas, eso ya lo ha acabado 00:32:37.700 --> 00:32:39.580 Ya nos hemos encargado nosotros 00:32:40.680 --> 00:32:45.900 claro, nosotros somos individuos, entonces las decisiones recaen sobre nosotros no le 00:32:45.900 --> 00:32:52.020 echemos la culpa al mundo ni a la inteligencia artificial oye, en esto en la inteligencia 00:32:52.020 --> 00:32:56.320 artificial que decían que habían hecho una prueba con una inteligencia artificial que 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 00:33:01.060 --> 00:33:03.393 podía resolver el captcha, lo que hizo fue 00:33:04.600 --> 00:33:10.520 Contactar con un servicio de contratación de una persona para que le resolviera el captcha 00:33:11.400 --> 00:33:14.844 y la persona dijo, pero bueno ¿cómo vas a resolver un captcha? 00:33:14.920 --> 00:33:15.920 Es decir, que no eres humano. 00:33:15.960 --> 00:33:19.516 Y la inteligencia artificial detectó, digamos, como que no debía 00:33:20.440 --> 00:33:24.700 revelar que era una inteligencia artificial y entonces dijo no es que tenga una dificultad 00:33:24.740 --> 00:33:28.860 visual entonces necesito que alguien me resuelva el CAPTCHA le resolvió el CAPTCHA y 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 00:33:35.580 --> 00:33:39.900 artificial no va a dominarnos y someternos como si fuésemos esclavos simplemente nos 00:33:39.940 --> 00:33:47.000 nos va a tener pues como dice como un perro un perro es muy inteligente pero 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 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 00:33:57.920 --> 00:34:05.140 estos seres criaturas y nosotras las máquinas tenemos que alejarla de las bombas, 00:34:05.140 --> 00:34:09.940 alejarla de los conflictos armados, o sea a lo mejor quizá, yo también pienso como tú 00:34:09.940 --> 00:34:14.760 yo pienso que tengo más ganas que miedo, tengo más ilusión que miedo 00:34:17.340 --> 00:34:22.800 Yo creo que también tiene que ver con porque nos dedicamos a la tecnología y entonces 00:34:22.800 --> 00:34:29.860 esto es un tema que gusta no depende de dónde hayas venido y digital 00:34:29.860 --> 00:34:35.910 si te gusta mucho la tecnología al final te va a gustar la inteligencia artificial yo 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 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 00:34:49.270 --> 00:34:56.830 mismo además que están estos modelos de generación de texto que realmente funcionan extremadamente 00:34:56.830 --> 00:35:03.510 bien para recomendar cosas porque por ejemplo en el caso de chat gpt porque funciona 00:35:03.510 --> 00:35:10.070 muy bien porque fue entrenado no sólo con todos los datos de wikipedia que contienen 00:35:10.070 --> 00:35:17.110 más o menos el conocimiento humano destilado en una página web sino que también 00:35:17.110 --> 00:35:23.590 han utilizado un montonazo de otras páginas web para entrenar sus modelos entonces son 00:35:24.230 --> 00:35:31.350 súper súper inteligentes estos modelos yo creo que la inteligencia artificial y en general 00:35:31.350 --> 00:35:39.370 la tecnología es un buen un buen sitio donde meterse una buena industria que va 00:35:39.370 --> 00:35:46.660 hacia arriba en mi opinión y se puede empezar a cacharrear con cosas 00:35:46.660 --> 00:35:53.220 desde el primer momento se puede te puedes meter en páginas web a leer código puedes 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 00:36:00.060 --> 00:36:05.960 De discos para resolver problemas con otra gente también tienes generación de código 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 00:36:11.920 --> 00:36:18.850 a ti los recursos son ilimitados Y para aprender, en GitHub hay un montón de cosas. 00:36:19.620 --> 00:36:25.940 En Oracle también, por ejemplo, tenemos un montonazo de guías y de recursos y también 00:36:25.940 --> 00:36:33.960 tenemos una certificación de inteligencia artificial que te permite tener 00:36:33.960 --> 00:36:40.970 una idea más o menos de cómo funciona la industria entera y de enterarte de 00:36:40.970 --> 00:36:42.581 lo que está progresando todo. 00:36:43.200 --> 00:36:49.800 Incluso pues en el caso hipotético y en el ideal incluso que la gente pueda trabajar 00:36:49.800 --> 00:36:56.360 de inteligencia artificial en el futuro ojalá dicho de hecho a lo que estabas diciendo 00:36:56.360 --> 00:37:01.280 voy a hacer varias puntualizaciones de las cosas que hayas dicho un ejemplo sobre la 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 00:37:06.820 --> 00:37:11.760 has confirmado dice que la La certificación de inteligencia artificial que tiene Oracle 00:37:11.760 --> 00:37:15.600 es como un 80 % vendor free. 00:37:15.840 --> 00:37:21.260 Es decir, si alguien, por ejemplo, quiere empezar en la inteligencia artificial sin casarse 00:37:21.260 --> 00:37:27.740 mucho con una plataforma o con un fabricante, esta certificación le sirve porque son 00:37:27.740 --> 00:37:34.440 todos contenidos teóricos transportables a otros entornos, con lo cual súper recomendado. 00:37:34.460 --> 00:37:41.840 Yo he tenido bastante buen feedback De esa certificación sí, es un buen 00:37:41.840 --> 00:37:45.180 punto para empezar, ¿no? Sí, sí, es un buen punto. 00:37:46.020 --> 00:37:51.300 Es una certificación muy buena porque, como tú dices, es vendor free en el sentido de 00:37:51.300 --> 00:37:58.700 que la mayoría de preguntas o de conceptos que se hablan y se examinan son 00:37:58.700 --> 00:38:04.860 problemas conceptuales, problemas teóricos, que te dan una base de toda la teoría de 00:38:04.860 --> 00:38:11.180 inteligencia artificial, pero no son realmente específicos de Oracle, no necesitas ser 00:38:11.180 --> 00:38:17.640 un experto en Oracle para resolver esto, simplemente necesitas más o menos saber las 00:38:17.640 --> 00:38:24.720 cosas que se ofrecen en Oracle de inteligencia artificial, que son alrededor de 5 o 00:38:24.720 --> 00:38:29.560 6 servicios, Más o menos entender cómo funciona cada uno de ellos, la tecnología que 00:38:29.560 --> 00:38:34.320 hay detrás, por ejemplo. Cosas como, ¿cuál 00:38:35.310 --> 00:38:40.310 es la importancia del entrenamiento de los datos en Machine Learning? 00:38:40.830 --> 00:38:43.590 Preguntas así, de ese estilo. 00:38:43.590 --> 00:38:48.810 A veces preguntas teóricas que te hacen pensar un poco pero que no son extremadamente 00:38:48.810 --> 00:38:56.030 no necesitas un doctorado para hacer la certificación 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 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 00:39:09.380 --> 00:39:16.460 live labs hay algún hay laboratorios así hechos para poder hacer digamos algún 00:39:16.460 --> 00:39:21.380 algún ejercicio resuelto la parte de los tuyos de github un poco reproducirlo sí 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 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 00:39:36.520 --> 00:39:44.180 8 laboratorios en total hay laboratorios de todo también de hecho en en database hay 00:39:44.180 --> 00:39:48.240 un montonazo montonazo de laboratorios y 00:39:49.170 --> 00:39:55.420 también algunos laboratorios relacionados que incluso os podría venir bien a vosotros 00:39:55.420 --> 00:40:00.800 en café database porque son database más inteligencia artificial como por ejemplo Por 00:40:00.800 --> 00:40:07.820 ejemplo, este de League of Legends que hablábamos, tiene una base de datos y utilizamos 00:40:07.820 --> 00:40:14.960 la parte no relacional de la base de datos autónoma para guardar 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 00:40:20.200 --> 00:40:26.860 desde cero. Es decir, entrenas o aprendes a extraer datos con una API 00:40:28.180 --> 00:40:31.902 Utilizar esos datos para crear un modelo de inteligencia artificial 00:40:32.890 --> 00:40:39.650 Y así se tocan un montón de temas Coges las bases de datos como storage 00:40:41.850 --> 00:40:45.470 Coges entrenamiento de modelos, extracción de modelos Que es lo que normalmente hace 00:40:45.510 --> 00:40:51.240 un ingeniero de datos Luego haces también el entrenamiento de los modelos en data science 00:40:51.240 --> 00:40:58.060 o sea hay un montón de componentes así que hay muchísimo muchísimo contenido en live 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 00:41:04.780 --> 00:41:10.620 en oracle tenemos unas cuentas que se llaman cuentas always free si tú te registras en 00:41:10.620 --> 00:41:17.500 oracle en oracle cloud me refiero si tienes aparte de que tienes una oferta la primera 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 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 00:41:29.200 --> 00:41:33.500 sé si te apetece aprender sobre kubernetes aprende sube kubernetes no tienes ninguna 00:41:33.540 --> 00:41:40.710 restricción al respecto así que hay un montón de cosas gratis y luego cuando 00:41:40.710 --> 00:41:43.270 pasan los 30 primeros días te 00:41:44.620 --> 00:41:51.340 Quedas tú con tu cuenta la mayoría de servicios se bloquean pero sigues teniendo ciertas 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 00:41:58.100 --> 00:42:02.120 hasta hace poco tenía ahí hosteado mi página web personal 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 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 00:42:14.780 --> 00:42:20.980 llamaba Chris Benson, que era la persona que tenía el récord Guinness del mayor clúster 00:42:20.980 --> 00:42:22.424 de Raspberry Pis del mundo 00:42:23.440 --> 00:42:28.560 y Chris Benson por ejemplo, utilizaba su Always Free para tener ahí un servidor de Minecraft 00:42:28.560 --> 00:42:35.730 con su hijo, o sea hay casos ilimitados el número de usos es ilimitado Sí, 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 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 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 00:42:56.740 --> 00:43:01.300 bueno empecé a jugar a minecraft cuando salió minecraft hace muchos hace muchos años 00:43:01.340 --> 00:43:08.460 y es un juego que está Está escrito en Java, pero que 00:43:08.460 --> 00:43:12.200 tenía ciertos problemas con la virtualización, con el JVM. 00:43:12.380 --> 00:43:17.900 Si mal no recuerdo, tenían problemas de optimización porque utilizaban variables demasiado 00:43:17.900 --> 00:43:20.000 grandes. Ese era uno de sus problemas. 00:43:20.040 --> 00:43:24.160 Y otra es porque tenían una interfaz creada en Java muy... 00:43:24.930 --> 00:43:29.450 Vamos, que el código no estaba bien hecho al principio, entonces la optimización del 00:43:29.490 --> 00:43:34.690 Minecraft... Solo, lo hizo no es el nombre, pero lo hizo un tipo solo. 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 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 00:43:46.150 --> 00:43:50.090 que no juega Minecraft, pero vamos que el creador de Minecraft tiene un objeto en Minecraft 00:43:50.130 --> 00:43:53.960 en teoría, él tiene Qué bueno 00:43:55.440 --> 00:44:00.060 Marcus Persson Ah, Marcus Marcus Persson. 00:44:00.560 --> 00:44:05.800 Tengo una petición de mi hijo que me preguntaba, por favor pregúntale a Nacho con qué 00:44:05.800 --> 00:44:13.380 juegos puedo hacer, digamos, lo mismo que hiciste con League of Legends, pero es decir, 00:44:13.440 --> 00:44:19.620 que el juego, entre comillas, tengo un API que me permite bichear los datos a tiempo 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 00:44:24.360 --> 00:44:26.640 haya un repositorio para hacerlo. 00:44:26.640 --> 00:44:34.860 Lo digo leyes está claro pero hay algún juego más fortnite permite se podría hacer 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 00:44:40.460 --> 00:44:45.740 ciertas partidas maestras no ciertas partidas de competición de esports si hacer algo 00:44:45.740 --> 00:44:52.180 similar sí pues a ver depende sobre todo depende de la popularidad del juego tiene que 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 00:44:58.770 --> 00:45:04.470 aplicaciones que se crean de videojuegos relacionadas con este tipo de cosas 00:45:05.570 --> 00:45:10.030 van normalmente gravitando hacia donde la gente tiene interés. 00:45:10.090 --> 00:45:14.150 Si la gente no tiene interés en el juego, no hay muchos jugadores, las probabilidades 00:45:14.190 --> 00:45:20.470 de que haya software ya creado para poder hacer telemetría de ese juego es menos probable. 00:45:20.470 --> 00:45:27.800 Entonces normalmente mirando las las los juegos más potentes son más famosos 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 00:45:33.100 --> 00:45:39.600 públicamente que tiene una API pero no son el único juego que tiene API juegos parecidos 00:45:39.600 --> 00:45:44.040 aparte de los juegos de conducción que muchos juegos de conducción tienen telemetría 00:45:44.080 --> 00:45:49.820 por el diseño del juego está hecho así algunos Algunos juegos de deportes, como por ejemplo 00:45:49.820 --> 00:45:56.320 los juegos de EA Sports, algunos, no todos, tienen telemetría también. 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 00:46:02.980 --> 00:46:06.500 software de cualquier videojuego que te apetezca jugar. 00:46:06.760 --> 00:46:12.800 Que es como por ejemplo utilizando tu detección de objetos y cosas así. 00:46:13.020 --> 00:46:15.260 Tú puedes crear lo que quieras. 00:46:15.260 --> 00:46:20.340 Realmente, y por ejemplo yo he hecho algunas cosas en algunos juegos alrededor de esto, 00:46:20.400 --> 00:46:26.580 como por ejemplo un juego de piratería piratería me refiero a piratas o sea, no ciberpiratas 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 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 00:46:36.940 --> 00:46:43.580 barcos que se van, pues eso disparando entre ellos y tal, pues ese juego por ejemplo 00:46:43.580 --> 00:46:50.740 no tiene ninguna API pero yo dije bueno este juego me gustaría que ciertas cosas se 00:46:51.320 --> 00:46:55.080 hicieran de manera automática del juego para que no lo tuviera que hacer yo constantemente 00:46:55.120 --> 00:47:02.780 realmente Tú puedes hacer lo que quieras con con con vídeo con imágenes podrías 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 00:47:07.720 --> 00:47:14.960 para analizarlas es decir si en esta posición hay hay ciertas cosas utilizando o conectando 00:47:14.960 --> 00:47:22.240 el juego con un reconocedor óptico de caracteres, como por ejemplo lo del CAPTCHA, 00:47:22.320 --> 00:47:27.570 puedes sacar un montonazo de datos que no se pueden sacar en teoría. 00:47:27.650 --> 00:47:33.710 Por ejemplo, puedes sacar números de la pantalla, puedes detectar objetos que están en 00:47:33.710 --> 00:47:37.130 la pantalla y crear tus propios modelos de detección de objetos. 00:47:37.170 --> 00:47:42.850 ¿Por qué? Que normalmente te puede servir para detectar la posición de otros jugadores, 00:47:43.070 --> 00:47:48.310 te puede servir para detectar o tomar ciertas decisiones en la partida dependiendo de 00:47:48.310 --> 00:47:50.070 lo que se esté viendo en la pantalla. 00:47:50.110 --> 00:47:52.910 Y todas estas cosas las puedes hacer desde cero. 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 00:47:57.370 --> 00:48:04.230 cosas que los juegos no te ofrecen que realmente son las cosas que más apetecen. 00:48:04.230 --> 00:48:06.786 Por ejemplo, hay un montonazo de aplicaciones. 00:48:06.950 --> 00:48:11.339 Por ejemplo, yo también juego un juego de terror que se llama Dead by Daylight. 00:48:11.750 --> 00:48:16.340 Hay una aplicación aquí que es Nightlight. 00:48:16.500 --> 00:48:21.640 Nightlight es una aplicación que automáticamente detecta en la pantalla cuando tú has 00:48:21.640 --> 00:48:28.050 terminado una partida, hace una screenshot A la pantalla de las estadísticas después 00:48:28.050 --> 00:48:32.010 de la partida y te hace como un historial de partidas. 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 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 00:48:41.490 --> 00:48:44.030 esto, en esta partida me ha pasado lo otro, etc. 00:48:44.070 --> 00:48:50.600 Y esta persona con un poco de inteligencia, pero no inteligencia artificial, está haciendo 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 00:48:55.740 --> 00:49:02.280 final, al final de la partida lo detecta, hace una screenshot analiza la screenshot, 00:49:02.540 --> 00:49:07.480 regiones de la pantalla, las detecta y las analiza y te dice, vale, esta partida tuvo 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 00:49:13.800 --> 00:49:19.940 fueron tus puntos finales esa persona ha intentado hacer algo que nunca estaba disponible 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 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. 00:49:33.360 --> 00:49:37.040 Tengas tú las facilidades del juego o no las tengas. 00:49:37.850 --> 00:49:41.510 Eso aplicado a juegos, ¿qué más podríamos utilizar? 00:49:41.990 --> 00:49:46.250 Una pregunta, espera, voy a pegar aquí un triple salto. 00:49:46.730 --> 00:49:50.830 Tenía apuntado que hablásemos del AI Hub de Oracle. 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 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, 00:50:02.150 --> 00:50:07.150 pero me puede parecer muy complicado y muchas variables o juego ocasional, porque estamos 00:50:07.150 --> 00:50:11.594 hablando de que tú ya juegas un nivel profesional en competición y sports y tal. 00:50:12.190 --> 00:50:17.810 De este IA Hub Que me vas a hablar ahora Y de qué soluciones podríamos utilizar 00:50:18.750 --> 00:50:23.170 Para, podríamos tener Alguna cosa, podríamos hacer algo en inteligencia artificial 00:50:23.210 --> 00:50:28.870 Fácil de aprender O asequible, algo que nos podríamos hacer Un bot de Discord Para Café 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 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 00:50:41.370 --> 00:50:46.850 en los que podamos aplicar inteligencia artificial un poco, pues, más cosas más cotidianas 00:50:46.850 --> 00:50:50.010 o cosas más asequibles o una pequeña empresa que, digamos, pueda decir, oye, ¿podría 00:50:50.050 --> 00:50:54.730 yo utilizar servicios de inteligencia artificial o poderme hacer un chatbot sobre mi 00:50:54.730 --> 00:51:00.530 empresa? Es decir, cosas más, quizá más genéricas, a lo mejor más sencillitas. 00:51:00.530 --> 00:51:04.410 Sí, pues el AI Hub, ¿vale? 00:51:04.490 --> 00:51:11.130 Es una cosa que todavía no hemos sacado, pero bueno, estamos haciendo un montón de personas, 00:51:11.390 --> 00:51:17.030 estamos haciendo una serie de casos de uso que normalmente son comunes o son interesantes 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 00:51:24.430 --> 00:51:27.350 artificial. Entonces, yo estoy en la parte del AI Hub. 00:51:27.390 --> 00:51:33.450 El AI Hub simplemente es una colección de soluciones que se pueden empezar sin tener 00:51:33.450 --> 00:51:38.950 ni idea de nada para hacer tú algo guay con inteligencia artificial en Oracle Cloud. 00:51:38.950 --> 00:51:46.530 Entonces, por ejemplo, uno de los repositorios, una de las ideas que tuve fue empezar 00:51:48.610 --> 00:51:54.070 De cero, desde cero, sin conocimiento, utilizando el servicio de OCI Language. 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 00:51:59.430 --> 00:52:04.610 textos, no solamente, sino que hace análisis de textos, en el sentido de que te puede 00:52:04.610 --> 00:52:12.060 clasificar el texto, te puede hacer análisis de sentimiento del texto, y esas dos son 00:52:12.060 --> 00:52:14.960 las partes importantes de este caso de uso. 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, 00:52:20.290 --> 00:52:29.000 pero no cojo los tweets de forma indiscriminada, lo que hago es coger los tweets 00:52:29.000 --> 00:52:30.680 relacionados con un stock. 00:52:30.680 --> 00:52:34.940 Por ejemplo, el stock de Oracle o el stock de NVIDIA, cualquier stock, 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 00:52:42.920 --> 00:52:49.200 más recientes, perdón, y entonces a través de esos 5 .000 tweets primero se asegura de 00:52:49.200 --> 00:52:53.660 que todos los tweets estén en inglés, utilizando el servicio hago la traducción de todos 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 00:53:00.360 --> 00:53:04.500 de los 5 .000 textos, y hago una media luego ¿por qué? 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 00:53:12.620 --> 00:53:18.780 sentimiento de la gente de estoy comprando este stock estoy vendiendo este stock y que 00:53:18.780 --> 00:53:24.500 te diga una forma de, vale te estoy recomendando En tiempo real con inteligencia artificial, 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 00:53:30.420 --> 00:53:38.460 deberías invirtir dinero en este en este stock eso qué emoción qué emoción se cuece detrás 00:53:38.460 --> 00:53:45.680 de no Sí exacto exacto es decir se se 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 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 00:53:59.020 --> 00:54:06.140 de hecho cuantos más tweets mejor va a ser el análisis tienes muchísimos muchísimos datos 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 00:54:12.500 --> 00:54:18.240 tienes que tener el ordenador ardiendo porque estás pasándole la complejidad de los cálculos 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 00:54:24.420 --> 00:54:31.760 una refrigeración brutal y con brutal me refiero que algunos incluso sumergen los servidores 00:54:31.760 --> 00:54:38.760 en líquidos especiales que están bajo a unas temperaturas muy bajas para que todo el 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 00:54:44.500 --> 00:54:50.750 que a lo mejor una Una petición de 100 traducciones te cuesta 3, 4 céntimos. 00:54:51.970 --> 00:54:57.920 Entonces, Es bastante, es uno de los múltiples casos. 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 00:55:05.620 --> 00:55:12.620 puedes preguntar con generación de texto, puedes preguntar a Oracle Cloud, le puedes 00:55:12.620 --> 00:55:14.500 hacer preguntas sobre ese texto en PDF. 00:55:14.540 --> 00:55:21.460 Es otro servicio que se llama Generative AI Agents, que está ahora mismo en beta, pero 00:55:21.460 --> 00:55:28.300 por ejemplo estamos haciendo también, lo estoy haciendo en este caso, una forma de tú 00:55:28.300 --> 00:55:35.280 aprender a generar datos, utilizar estos datos, formatear los datos para que se puedan 00:55:35.280 --> 00:55:40.100 utilizar con Oracle Cloud, cuál es la estructura de datos, por qué la estructura de datos 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, 00:55:46.700 --> 00:55:50.480 es decir, cómo tú, ¿cómo se dice deployment en español? 00:55:51.980 --> 00:55:59.040 Despliegues eso, cómo hacer tú el despliegue del modelo en Oracle Cloud, cómo se accede, 00:55:59.160 --> 00:56:00.716 cómo puedes invocarlo luego. 00:56:03.070 --> 00:56:06.350 Eso, como un overview de cada uno de los servicios. 00:56:06.510 --> 00:56:12.090 Entonces he hecho ya, por ejemplo, en visión con detección de objetos para detectar problemas 00:56:12.090 --> 00:56:19.350 en en alguno en algunas por ejemplo manufacturadores de botellas análisis 00:56:19.350 --> 00:56:26.330 de detección de botellas para ver si tienen imperfecciones en la superficie también hice 00:56:26.330 --> 00:56:33.560 por ejemplo con visión desde cero empezar a tu poder hacer tu propio el modelo 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 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 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 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 00:56:57.320 --> 00:56:58.360 de inteligencia artificial? 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. 00:57:02.720 --> 00:57:08.200 Gente con la mascarilla mal puesta toma 10 .000 casos gente con la mascarilla bien puesta 00:57:08.200 --> 00:57:15.720 toma 10 .000 casos y gente sin mascarilla toma 10 .000 y con eso se enseñó 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 00:57:23.100 --> 00:57:28.490 y cómo de proyectarlo en hora con cloud o sea ellos el servicio por servicio tenemos 00:57:28.490 --> 00:57:33.750 o sea y vision tenemos data science para para que tengas tus propios notebooks tenemos 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 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 00:57:46.780 --> 00:57:53.850 hay montonazo montonazo de cosas así que es eso lo que a la gente le apetezca 00:57:53.850 --> 00:58:00.810 aprender pero todo es posible vamos lo único que hace falta de saber dónde mira. 00:58:01.880 --> 00:58:05.160 ¡Qué bueno! Voy a dar un dato que a lo mejor no conocías. 00:58:05.480 --> 00:58:11.180 ¿Sabías que en el blog de Café de Atabase tengo publicado un artículo donde tengo 00:58:12.340 --> 00:58:14.080 incrustado un vídeo tuyo? 00:58:14.940 --> 00:58:16.520 ¿Ah, sí? ¿No? No lo sabía. 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 00:58:22.060 --> 00:58:24.580 como mentor. ¡Ah! ¡Vale, vale! 00:58:25.360 --> 00:58:29.060 Sí, entonces, ahí es donde te conocí por primera vez. 00:58:29.060 --> 00:58:31.360 De conocido online por primera vez. 00:58:31.780 --> 00:58:37.400 Le pasaron a las personas que participaban en esta hackathon, Oracle les pasó dos vídeos 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, 00:58:44.540 --> 00:58:52.420 en el que cuentas cómo hacer un modelo 00:58:52.420 --> 00:58:59.740 GPT en Oracle Cloud. Un vídeo muy conciso, Es decir, fíjate que era un training, 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, 00:59:05.440 --> 00:59:10.920 para que los participantes, que era gente que podía no venir con ningún conocimiento 00:59:10.920 --> 00:59:16.200 de informática, gente o recién licenciada o estudiantes O incluso había gente que no 00:59:16.200 --> 00:59:22.540 sabía desde que se metió porque tenía una idea, era de buscar soluciones que estuviesen 00:59:22.540 --> 00:59:26.940 en línea con los objetivos de desarrollo sostenible de las Naciones Unidas. 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 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 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 00:59:47.840 --> 00:59:50.451 pegue ella y el tuyo era del modelo de lo de... 00:59:52.520 --> 00:59:57.860 Paul Parkinson es una de las personas que mejor me cae de todo el planeta. 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 01:00:05.540 --> 01:00:09.860 que conozco, de verdad. Es súper inteligente en ese sentido. 01:00:09.980 --> 01:00:12.591 O sea, tiene el mismo sentido del humor que yo. 01:00:13.100 --> 01:00:18.400 Vamos, hemos estado llorando de risa en Las Vegas varias veces. 01:00:18.640 --> 01:00:24.960 O sea, me río muchísimo con él y de hecho sabe muchísimo muchísimo de realidad aumentada 01:00:24.960 --> 01:00:31.950 y de realidad virtual ha sido siempre su expertise y ahora está metiéndose también con 01:00:31.950 --> 01:00:36.270 el tema de inteligencia artificial con las nuevas vision pro le gusta también estar mucho 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 01:00:43.710 --> 01:00:51.050 recomiendo están ahí que una última cosita O sea, se 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 01:00:54.730 --> 01:01:02.350 más. Una última cosita, ¿cómo ves el tema de empleo, posibilidades de empleo? 01:01:02.550 --> 01:01:09.590 Sobre todo, ¿en cuánto se puede valorar a nivel profesional que un administrador, 01:01:09.650 --> 01:01:12.990 un programador, tenga conocimientos sobre IA? 01:01:12.990 --> 01:01:14.490 ¿Tú cómo lo ves esto ahora? 01:01:14.610 --> 01:01:19.390 Es decir, a nivel empresa, a nivel mercado, a nivel recursos humanos, contratación. 01:01:19.610 --> 01:01:25.810 ¿Cómo verías tú el invertir en aprender inteligencia artificial a corto plazo, a largo 01:01:25.810 --> 01:01:28.690 plazo, a nivel profesional, en el empleo? 01:01:28.690 --> 01:01:35.760 Yo diría que Mínimo tener una base es más importante hoy que 01:01:35.760 --> 01:01:42.990 antes y diría que incluso he notado, no solo en Oracle, sino también conozco algunas 01:01:42.990 --> 01:01:46.930 personas que antes trabajaban en Oracle conmigo, que se han ido a otras empresas y tal, 01:01:46.970 --> 01:01:54.160 que hay mucho cambio últimamente en el que algunos empleados incluso se están 01:01:54.160 --> 01:01:58.500 pasando, empleados que no hacían nada de inteligencia artificial les están pasando a 01:01:58.540 --> 01:02:05.120 inteligencia artificial. Porque, o sea, están haciendo tanto peso las empresas en inteligencia 01:02:05.120 --> 01:02:09.960 artificial que están metiendo gente que ni siquiera era de ese dominio previamente. 01:02:10.020 --> 01:02:16.400 Así que creo que tener una base de inteligencia artificial es imprescindible en el mundo 01:02:16.400 --> 01:02:21.320 de la tecnología o si trabajas en una empresa tecnológica o quieres trabajar en una empresa 01:02:21.360 --> 01:02:28.570 tecnológica. Pero vamos, es como sugeriría que hace un par de años la 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 01:02:35.650 --> 01:02:38.890 la descentralización y de la computación ubicua. 01:02:38.890 --> 01:02:44.200 O sea, toda la parte de IoT, de todos los mini... 01:02:44.200 --> 01:02:51.380 O sea, cada cinco años o así hay un tema en específico y ahora mismo el 01:02:51.380 --> 01:02:57.420 tema es inteligencia artificial y lo recomiendo absolutamente a todos vosotros porque 01:02:57.420 --> 01:03:04.700 es importante. Es importante y no duele el saber, pero sí duele 01:03:04.700 --> 01:03:09.840 el no saber. Entonces, recomendado qué grande. 01:03:10.260 --> 01:03:14.900 Nacho, te voy a dejar que cierres, ¿vale? 01:03:15.060 --> 01:03:22.120 Sin antes necesito decirte que te voy a invitar a que si quieres algún 01:03:22.120 --> 01:03:27.300 día, si quieres que hagamos algún laboratorio en abierto para la gente, en plan así gratuito, 01:03:27.340 --> 01:03:30.220 para ver algo. Luego, ¿sabes cómo? 01:03:30.280 --> 01:03:32.200 Los seis tenemos créditos de ocio. 01:03:32.240 --> 01:03:36.820 Tengo como 6 .000 euros en ocio que podemos utilizar y podemos gastar y podemos hacer 01:03:36.860 --> 01:03:42.360 algún cacharreo. Si quieres, mi casa es tuya, mi Ocio es tuyo podemos hacer un laboratorio. 01:03:42.540 --> 01:03:47.560 Te brindo esta invitación a que hagamos lo que quieras. 01:03:47.920 --> 01:03:52.200 Y te dejo, si tienes algo más que decir. 01:03:52.400 --> 01:03:55.720 Se me ha hecho corto, me han faltado... 01:03:55.720 --> 01:03:57.540 Sí, a mí también, la verdad. 01:03:58.100 --> 01:04:00.156 No sabía que había pasado ya la hora. 01:04:01.580 --> 01:04:04.380 Pero sí, sí, acepto esa invitación. 01:04:05.360 --> 01:04:13.160 Podemos hacer alguna sesión más interactiva, que la gente pregunte lo 01:04:13.160 --> 01:04:16.640 que quiera y se lo podamos responder en tiempo real. 01:04:16.640 --> 01:04:23.800 Las dudas en tiempo real de alguna alguna yo que sé algún repositorio que 01:04:23.800 --> 01:04:32.760 os guste o tal pues o algún tema en específico que vosotros queráis ver yo quiero 01:04:32.760 --> 01:04:36.080 retomar los laboratorios los tengo un poco olvidados el siguiente laboratorio que voy 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 01:04:41.900 --> 01:04:48.060 permite que tanto si lo almacenas en jason como si almacenas en relacional, con las Duality 01:04:48.060 --> 01:04:51.380 Views, lo puedas consultar de forma transparente, ¿no? 01:04:51.420 --> 01:04:54.120 O operar con JSON o operar con SQL 01:04:55.360 --> 01:04:58.980 Puro y duro entonces, estoy preparando un laboratorio de esto, está bien para todo el 01:04:59.020 --> 01:05:03.900 mundo en abierto y el siguiente, pues, podemos hablar y podemos hacer alguna cosita juntos, 01:05:03.940 --> 01:05:06.662 si te parece. Puede estar muy chulo por supuesto. 01:05:07.990 --> 01:05:11.050 Pues, oye, Nacho, un placer, pero un placer enorme. 01:05:11.230 --> 01:05:13.350 Ha sido súper interesante. 01:05:14.610 --> 01:05:21.310 Igualmente, un placer de estar aquí contigo Pues a todos, grabamos el podcast, lo subiremos 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 01:05:26.970 --> 01:05:33.310 a los que estáis ahí en la audiencia comentando cosas algunos comentarios, ¿para cuándo 01:05:33.310 --> 01:05:34.754 vamos a ver Her en Oracle? 01:05:35.210 --> 01:05:41.890 Este es lo de Muchachada, es decir, robots robots, pero si no tienen forma humana no 01:05:41.890 --> 01:05:46.250 puedes casarte con ellos, no son robots un robot de cocina no es una Thermomix 01:05:47.280 --> 01:05:53.740 hoy ha sido un placer Nacho, cuando quieras tenemos otra sesión, nos tomamos otro café 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 01:05:59.400 --> 01:06:06.100 mucho mejores un abrazo a todos muchas gracias