Alejandro R. Caraballo

En redes circula mucho la idea de que  “los LLMs no razonan, no piensan, no entienden” . Es un argumento con parte de verdad… pero también con mucho ruido. Hoy vamos a separar lo que es cierto, lo que está exagerado y lo que conviene matizar si queremos entender de verdad de qué son capaces estos modelos. 1. Razonar: humano vs. máquina Humano:  consciencia, intencionalidad, comprensión profunda del mundo. LLM:  predicción estadística de la siguiente palabra, pero con la capacidad de reconstruir patrones complejos y  simular  razonamientos formales. No es lo mismo, pero tampoco es  cero . Si medimos “inteligencia” como un humano, fallan. Si la medimos como  capacidad de resolver problemas nuevos con información previa , los LLMs sí muestran un grado de  inteligencia funcional . 2. No son simples “loros estadísticos” Sí, buscan patrones… Pero esos patrones no son meras repeticiones: son relaciones abstractas entre conceptos. Por eso pueden: Hacer an...

Es bastante común leer o escuchar estos términos, tanto en español, como en inglés. El objetivo de este post es aprender a diferenciarlos, sabiendo que hay expertos que tienden a extender el ámbito de las definiciones, y por tanto existen puntos en común y de solapamiento entre ellos. ¿Puede darse que seamos un científico de los datos (data scientist) y que nosotros mismos no seamos conscientes de ello? Actualmente, hay varios campos dentro de la ciencia de los datos (data science) que se solapan, como por ejemplo, machine learning, inteligencia artificial, deep learning, IoT (Internet de las Cosas),... ya que la ciencia de los datos es un concepto bastante vasto y que cubre varias disciplinas, y que además toma prestadas técnicas y herramientas de otras ciencias relacionadas. Los grandes expertos en la materia dicen que hay dos tipos de científicos de datos: 1. Analista. Suele codificar soluciones, aunque no sea un experto en ello, y sí en modelado, inferencia estadística.....