LLMs Avanzados para Tareas de PLN

Introducción a LLM e IA Generativa

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

Uso de LLM para Tareas de CLN

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

Uso de LLM para Tareas de ILN

• Detección de entailment (entailment detection).
• Detección de contradicciones.
• Detección de paráfrasis.

Uso de LLM para Grafos de Conocimiento

• Extracción de hechos y relaciones a partir del texto.
• Inferencia de hechos faltantes o nuevos.
• Uso de grafos de conocimiento para tareas posteriores.

Uso de LLM para Razonamiento Común

• Generación de explicaciones, hipótesis y escenarios plausibles.
• Uso de bases de conocimientos y conjuntos de datos sobre el sentido común.
• Evaluación del razonamiento basado en el sentido común.

Uso de LLM para Generación de Diálogos

• Generación de diálogos con agentes conversacionales, chatbots y asistentes virtuales.
• Gestión de diálogos.
• Uso de conjuntos de datos de diálogos y métricas específicas.

Uso de LLM para Generación Multimodal

• Generación de imágenes a partir de texto.
• Generación de texto a partir de imágenes.
• Generación de video a partir de texto o imágenes.
• Generación de audio a partir de texto.
• Generación de texto a partir de audio.
• Generación de modelos 3D a partir de texto o imágenes.

Uso de LLM para Aprendizaje Meta

• Adaptación de LLM a nuevos dominios, tareas o idiomas.
• Aprendizaje a partir de ejemplos con pocos casos (few-shot) o sin casos previos (zero-shot).
• Uso de conjuntos de datos y frameworks de aprendizaje meta y aprendizaje por transferencia.

Uso de LLM para Aprendizaje Adversarial

• Defensa de LLM contra ataques maliciosos.
• Detección y mitigación de sesgos y errores en los LLM.
• Uso de conjuntos de datos y métodos de aprendizaje adversarial y robustez.

Evaluación de LLM e IA Generativa

• Evaluación de la calidad y diversidad del contenido generado.
• Uso de métricas como Inception Score, FID (Fréchet Inception Distance) y BLEU Score.
• Métodos de evaluación humana como crowdsourcing y encuestas.
• Métodos de evaluación adversarial como pruebas de Turing y discriminadores.

Aplicación de Principios Éticos para LLM e IA Generativa

• Asegurar equidad y responsabilidad.
• Evitar el uso indebido y abuso.
• Respetar los derechos y la privacidad de creadores y consumidores del contenido.
• Fomentar la creatividad y colaboración entre humanos e IA.

Resumen y Próximos Pasos