WEBVTT
0
00:00:00.250 --> 00:00:05.030
Bueno, pues damos comienzo 
a las sesiones. 

1
00:00:05.190 --> 00:00:10.190
Es para mí un gran placer tener 
hoy con nosotros en la UNED 

2
00:00:22.130 --> 00:00:24.570
a Laura Martín Pérez González,

3
00:00:24.690 --> 00:00:29.390
porque como ha dicho nuestro 
decano, ejemplifica. 

4
00:00:30.110 --> 00:00:35.110
El paso de la parte académica 
a la profesional. 

5
00:00:36.110 --> 00:00:40.110
Y en un máster como el nuestro, 
en el que se tiene dos guías, 

6
00:00:40.170 --> 00:00:42.610
la enseñanza y el tratamiento 
de lenguas, 

7
00:00:42.670 --> 00:00:45.225
intentamos cubrir un 
abanico muy amplio 

8
00:00:45.275 --> 00:00:46.710
de la lingüística aplicada.

9
00:00:46.870 --> 00:00:49.145
Creo que es muy útil para 
nuestros estudiantes 

10
00:00:49.195 --> 00:00:53.225
ver ejemplos de éxito en 
el ámbito laboral 

11
00:00:53.275 --> 00:00:55.510
relacionados con la lingüística.

12
00:00:55.950 --> 00:00:59.370
Laura Martín Pérez, voy 
a leer sus datos. 

13
00:01:00.550 --> 00:01:03.005
Para no saltarme ninguno, 
desarrolla su trabajo 

14
00:01:03.055 --> 00:01:05.305
en la intersección entre 
la lingüística 

15
00:01:05.355 --> 00:01:06.774
y la inteligencia artificial,

16
00:01:07.190 --> 00:01:10.405
centrada en el análisis de 
datos conversacionales 

17
00:01:10.455 --> 00:01:13.350
y el modelado del lenguaje 
en sistemas reales. 

18
00:01:13.630 --> 00:01:18.230
Su experiencia abarca ámbitos como 
los asistentes conversacionales, 

19
00:01:18.590 --> 00:01:21.595
los modelos de lenguaje y el 
análisis de interacciones, 

20
00:01:21.645 --> 00:01:24.150
como veis, todo de rabiosa 
actualidad. 

21
00:01:24.310 --> 00:01:27.845
Se licenció en filología hispánica

22
00:01:27.895 --> 00:01:30.985
y cuenta con el máster de formación 
de profesorado 

23
00:01:31.035 --> 00:01:34.565
y se especializó posteriormente 
en lingüística computacional 

24
00:01:34.615 --> 00:01:37.350
y procesamiento del lenguaje natural.

25
00:01:38.110 --> 00:01:41.630
De nuevas temáticas que 
cubre nuestro máster. 

26
00:01:42.050 --> 00:01:44.565
Actualmente trabaja en 
Segurkaisa Adeslas 

27
00:01:44.615 --> 00:01:48.250
como coordinadora del Centro de 
Excelencia de Speech Analytics, 

28
00:01:48.630 --> 00:01:53.005
donde analiza grandes volúmenes de 
interacciones con el objetivo 

29
00:01:53.055 --> 00:01:56.925
de mejorar los sistemas de 
comunicación entre cliente 

30
00:01:56.975 --> 00:01:57.530
y empresa.

31
00:01:57.890 --> 00:02:00.650
Y qué importante es esto 
cuando llamamos. 

32
00:02:01.310 --> 00:02:05.285
Y tenemos un problema y que esa parte

33
00:02:05.335 --> 00:02:10.310
de la llamada automática sea fluida 
y nos sintamos atendidos. 

34
00:02:11.190 --> 00:02:13.985
Es además profesora de inteligencia 
artificial 

35
00:02:14.035 --> 00:02:17.245
aplicada a la robótica 
social en el máster 

36
00:02:17.295 --> 00:02:21.250
de robótica y automatización de la 
Universidad Europea de Madrid. 

37
00:02:21.570 --> 00:02:25.210
Así que bienvenida Laura, estamos 
deseando escucharte. 

38
00:02:25.510 --> 00:02:26.550
Muchas gracias.

39
00:02:27.470 --> 00:02:30.970
Pues yo siempre estoy muy contenta.

40
00:02:31.580 --> 00:02:33.935
Porque siempre hablar de lengua, 
hablar de comunicación 

41
00:02:33.985 --> 00:02:35.580
es lo nuestro.

42
00:02:36.260 --> 00:02:40.015
Y qué bonito es cuando se cruzan 
esos caminos entre lengua 

43
00:02:40.065 --> 00:02:40.715
y inteligencia artificial

44
00:02:40.765 --> 00:02:44.315
y entre tecnología y vemos 
que todos esos caminos 

45
00:02:44.365 --> 00:02:48.455
llegan a ser una sociedad donde 
todos los desarrollos 

46
00:02:48.505 --> 00:02:51.200
impactan directamente en 
nuestra vida diaria. 

47
00:02:51.400 --> 00:02:54.100
Y justo de esto es sobre lo 
que os voy a hablar. 

48
00:02:54.750 --> 00:02:58.445
Como Mimi ha presentado, había 
puesto también un poquito de presentación, 

49
00:02:58.495 --> 00:03:00.845
siempre digo yo soy lingüista 
y el apellido 

50
00:03:00.895 --> 00:03:02.481
es lingüista computacional, ¿no?

51
00:03:02.970 --> 00:03:06.485
Mi misión siempre es la misma, 
observo, analizo 

52
00:03:06.535 --> 00:03:07.865
y estructuro el lenguaje humano.

53
00:03:07.915 --> 00:03:10.310
Y no es otra cosa que no hacemos 
los lingüistas, 

54
00:03:10.370 --> 00:03:12.505
es decir, da igual el apellido 
ya sea computacional, 

55
00:03:12.555 --> 00:03:15.745
ya sea de otra índole, los 
lingüistas principalmente observamos, 

56
00:03:15.795 --> 00:03:17.825
analizamos y jugamos con el lenguaje,

57
00:03:17.875 --> 00:03:21.239
lo estructuramos de una manera u 
otra para tener un fin determinado, ¿no? 

58
00:03:22.560 --> 00:03:25.095
Actualmente estoy trabajando en 
Seworka Isadeslas y justo 

59
00:03:25.145 --> 00:03:26.135
como ha presentado Elena,

60
00:03:26.185 --> 00:03:29.195
lo que hago es analizo grandes 
volúmenes de comunicaciones 

61
00:03:29.245 --> 00:03:32.140
entre clientes y empresas para 
ver qué está ocurriendo, 

62
00:03:32.200 --> 00:03:34.256
para sacar datos y sacar 
datos accionables. 

63
00:03:34.500 --> 00:03:37.220
Qué está ocurriendo cuando 
llamamos, por ejemplo, 

64
00:03:37.300 --> 00:03:39.355
en el canal Telefónico, como 
os he mencionado, 

65
00:03:39.405 --> 00:03:42.840
qué pasa cuando estamos hablando a 
través del canal de WhatsApp, 

66
00:03:42.980 --> 00:03:45.175
qué pasa cuando estamos 
en una oficina, 

67
00:03:45.225 --> 00:03:48.880
cómo son los protocolos, todo está 
funcionando correctamente, 

68
00:03:48.960 --> 00:03:50.140
preguntas que se hacen.

69
00:03:50.570 --> 00:03:53.705
Se pueden mejorar diferentes 
preguntas 

70
00:03:53.755 --> 00:03:57.750
y cuya misión siempre es la misma, 
observar, analizar, estructurar, 

71
00:03:57.830 --> 00:03:59.670
sacar datos y conclusiones.

72
00:04:00.620 --> 00:04:03.995
Recientemente también he escrito un 
libro, se llama Control bla bla 

73
00:04:04.045 --> 00:04:05.935
bla, en la BC de la Lingüística 
Computacional, 

74
00:04:05.985 --> 00:04:08.935
con este objetivo también de acercar 
la tecnología y la inteligencia 

75
00:04:08.985 --> 00:04:11.935
artificial a los estudiantes 
de letras, 

76
00:04:11.985 --> 00:04:15.655
para ver que efectivamente las 
letras y las ciencias 

77
00:04:15.705 --> 00:04:18.680
no son dos caminos aislados, 
sino que hoy, más en día, 

78
00:04:18.780 --> 00:04:22.640
estamos todos unidos hacia 
una misma línea, 

79
00:04:22.740 --> 00:04:24.407
que es la inteligencia artificial.

80
00:04:26.750 --> 00:04:28.165
Yo os quería hablar principalmente,

81
00:04:28.215 --> 00:04:31.225
como ya he dicho, del lenguaje, 
que es lo nuestro, ¿vale? 

82
00:04:31.275 --> 00:04:33.525
Y en ese camino nos junta con 
la inteligencia artificial. 

83
00:04:33.575 --> 00:04:34.865
Vamos a ver que el lenguaje,

84
00:04:34.915 --> 00:04:36.185
como el lenguaje está detrás de todo.

85
00:04:36.235 --> 00:04:37.445
Vamos a hablar de la cuarta ola,

86
00:04:37.495 --> 00:04:40.265
inteligencia artificial, que es la 
ola donde estamos actualmente. 

87
00:04:40.315 --> 00:04:42.111
Vamos a hablar del papel 
del lingüista, 

88
00:04:42.161 --> 00:04:43.275
de los datos, ¿vale?

89
00:04:43.325 --> 00:04:45.870
Porque al final es nuestra misión 
estructurar datos. 

90
00:04:46.410 --> 00:04:48.855
Y una vez que tenemos claro 
nuestra misión, 

91
00:04:48.905 --> 00:04:50.001
¿cómo salimos al mundo?

92
00:04:50.570 --> 00:04:52.845
Y cómo nos ponemos en acción 
con todo el conocimiento 

93
00:04:52.895 --> 00:04:55.205
que hemos aprendido en 
las universidades, 

94
00:04:55.255 --> 00:04:58.860
en los másteres, etc. 
Así que vamos allá. 

95
00:04:59.040 --> 00:05:01.460
¿Qué ocurre cuando el lenguaje 
está detrás de todo? 

96
00:05:01.580 --> 00:05:02.475
¿Por qué decimos esto?

97
00:05:02.525 --> 00:05:04.655
Decimos esto porque al final 
nosotros, como seres humanos, 

98
00:05:04.705 --> 00:05:06.001
somos seres comunicativos.

99
00:05:06.052 --> 00:05:07.875
Es decir, nace el lenguaje 
porque necesitamos, 

100
00:05:07.925 --> 00:05:10.455
tenemos una necesidad, vosotros 
lo sabéis mejor que yo, 

101
00:05:10.505 --> 00:05:12.940
que lleváis toda la vida,

102
00:05:13.040 --> 00:05:17.980
muchísimo recorrido explicando este 
objetivo del ser humano, 

103
00:05:18.060 --> 00:05:19.255
la comunicación, ese lenguaje.

104
00:05:19.305 --> 00:05:21.075
Ese lenguaje nos permite 
comunicarnos, 

105
00:05:21.125 --> 00:05:23.115
nos permite cooperar, nos permite 
compartir conocimiento 

106
00:05:23.165 --> 00:05:25.307
y construimos sociedad a 
través del lenguaje. 

107
00:05:25.710 --> 00:05:26.245
¿Qué ocurre?

108
00:05:26.295 --> 00:05:29.205
Tenemos también una necesidad 
de comunicarnos 

109
00:05:29.255 --> 00:05:33.965
y ya se nos queda ese afán oral, 
se nos queda corto, 

110
00:05:34.015 --> 00:05:36.311
necesitamos comunicarnos 
en diferentes medios. 

111
00:05:36.362 --> 00:05:40.365
Creamos tecnología, la escritura 
como tecnología, la imprenta, 

112
00:05:40.415 --> 00:05:43.610
el telégrafo, el teléfono, internet, 
inteligencia artificial. 

113
00:05:43.770 --> 00:05:45.675
Cada vez tenemos más sistema 
de cómputo, 

114
00:05:45.725 --> 00:05:47.766
cada vez tenemos más avances 
tecnológicos. 

115
00:05:48.490 --> 00:05:49.205
¿Cuál es el medio?

116
00:05:49.255 --> 00:05:49.970
Las máquinas.

117
00:05:50.290 --> 00:05:52.385
Aprendemos también a comunicarnos 
no solo con las personas, 

118
00:05:52.435 --> 00:05:54.185
sino aprendemos a comunicarnos 
con las máquinas. 

119
00:05:54.235 --> 00:05:56.910
Tenemos comandos, tenemos lenguajes 
de programación, 

120
00:05:57.010 --> 00:05:58.485
ahora tenemos lenguaje natural.

121
00:05:58.535 --> 00:06:02.565
Es decir, la voz se ha convertido 
en la propia interfaz 

122
00:06:02.615 --> 00:06:04.085
para comunicarnos con las máquinas.

123
00:06:04.135 --> 00:06:05.725
Yo le digo, oye Siri, 
pon un cronómetro 

124
00:06:05.775 --> 00:06:06.330
y se lo pone.

125
00:06:06.590 --> 00:06:07.710
Alexa, pon música.

126
00:06:07.950 --> 00:06:10.690
Es decir, la voz, ese origen oral,

127
00:06:10.770 --> 00:06:13.937
es la propia herramienta para poder 
comunicarnos con las máquinas. 

128
00:06:15.160 --> 00:06:17.700
Ahora, por suerte, en el 
momento donde estamos, 

129
00:06:17.820 --> 00:06:20.235
las máquinas necesitan 
de nuestro lenguaje 

130
00:06:20.285 --> 00:06:22.140
para construir más lenguaje.

131
00:06:22.280 --> 00:06:25.635
Es decir, tenemos medios 
donde somos capaces 

132
00:06:25.685 --> 00:06:27.480
de reconocer voces.

133
00:06:27.640 --> 00:06:30.255
Ya ahora mismo os acabo de decir, 
no sé si se me ha encendido 

134
00:06:30.305 --> 00:06:31.391
porque es muy sensible.

135
00:06:32.260 --> 00:06:34.615
Reconocemos voces, somos 
capaces de traducir, 

136
00:06:34.665 --> 00:06:37.115
somos capaces de crear nuevas 
cosas que antes no estaban, 

137
00:06:37.165 --> 00:06:38.230
con la idea generativa.

138
00:06:38.281 --> 00:06:40.735
Al final, nuestro lenguaje también 
está siendo el medio 

139
00:06:40.785 --> 00:06:43.360
por el cual se está construyendo 
nuevo lenguaje. 

140
00:06:44.000 --> 00:06:45.815
Y al final, ¿dónde quedamos 
los lingüistas? 

141
00:06:45.865 --> 00:06:49.035
¿Cuál es el papel que tenemos como 
lingüistas a la hora de crear 

142
00:06:49.085 --> 00:06:51.215
y desarrollar sistemas de 
inteligencia artificial? 

143
00:06:51.265 --> 00:06:52.350
¿Qué tenemos que decir?

144
00:06:52.401 --> 00:06:55.640
Somos expertos en lengua, es verdad 
que no somos matemáticos, 

145
00:06:55.700 --> 00:06:58.995
no somos ingenieros, pero tenemos 
un papel muy importante 

146
00:06:59.045 --> 00:07:01.100
dentro de la tecnología.

147
00:07:03.380 --> 00:07:06.775
Fijaos, nosotros desde siempre, 
bueno, yo soy filóloga, 

148
00:07:06.825 --> 00:07:09.675
no sé vuestra formación inicial, 
yo soy filóloga, 

149
00:07:09.725 --> 00:07:12.089
siempre me ha encantado la 
parte de la lingüística, 

150
00:07:12.330 --> 00:07:16.310
Y había algo cuando estaba 
estudiando que me parecía un poco frustrante. 

151
00:07:16.390 --> 00:07:17.690
¿Y qué es eso?

152
00:07:18.230 --> 00:07:20.725
Observábamos la lengua, 
analizábamos, pero nunca llegábamos 

153
00:07:20.775 --> 00:07:22.410
a hacer nada con ella en el sentido.

154
00:07:22.490 --> 00:07:24.690
La observábamos, veíamos 
que ocurrían cosas, 

155
00:07:24.890 --> 00:07:26.530
pero ¿qué arreglamos?

156
00:07:27.590 --> 00:07:28.465
¿Qué hacemos con ella?

157
00:07:28.515 --> 00:07:30.105
Describimos, solo describimos

158
00:07:30.155 --> 00:07:32.625
y una, describimos errores, 
describimos nuevos usos, 

159
00:07:32.675 --> 00:07:34.185
describimos, describimos, 
describimos. 

160
00:07:34.235 --> 00:07:36.321
Y justo ahora, en este momento 
donde estamos, 

161
00:07:36.550 --> 00:07:39.965
el lenguaje deja de ser ese fenómeno 
humano observable 

162
00:07:40.015 --> 00:07:43.465
y se ha convertido en un 
papel donde solventa 

163
00:07:43.515 --> 00:07:46.046
problemas que tenemos las personas 
en el día a día, ¿no? 

164
00:07:46.320 --> 00:07:50.555
Pues ahora necesitamos hablar 
con las máquinas 

165
00:07:50.605 --> 00:07:53.215
porque ahora nos organizan y nos 
hacen resúmenes maravillosos 

166
00:07:53.265 --> 00:07:55.395
y no hace falta, bueno, pues 
diferentes funcionalidades 

167
00:07:55.445 --> 00:07:56.415
que tiene la guía generativa.

168
00:07:56.465 --> 00:08:00.615
Y al final esa parte descriptiva 
se ha convertido en un soporte 

169
00:08:00.665 --> 00:08:02.215
para dar instrucciones a las máquinas

170
00:08:02.265 --> 00:08:05.480
para hacer cosas que nos benefician 
en nuestro día a día. 

171
00:08:05.580 --> 00:08:08.875
Al final ese lenguaje está 
siendo el soporte, 

172
00:08:08.925 --> 00:08:10.840
es el vehículo para crear 
nuevas cosas. 

173
00:08:11.080 --> 00:08:13.340
Ese es el momento de la 
guía generativa. 

174
00:08:14.580 --> 00:08:16.435
Os he traído aquí algunas personas, 
entre las dos, 

175
00:08:16.485 --> 00:08:20.340
para no abrubaros con personas 
del pasado, 

176
00:08:20.540 --> 00:08:24.280
pero me gustan mucho las preguntas 
que se hacían hace tiempo, ¿no? 

177
00:08:24.420 --> 00:08:26.100
Tenemos aquí a Warren Weaver,

178
00:08:26.200 --> 00:08:31.020
donde él se pregunta, allá por 1949,

179
00:08:31.700 --> 00:08:33.880
si una máquina fuera 
capaz de traducir. 

180
00:08:34.039 --> 00:08:36.675
Fijaos que algo es tan sencillo como 
que abrimos Google Translator 

181
00:08:36.724 --> 00:08:39.380
y decimos ti-ti-ti-ti-ti y te 
lo traduce, fijaos, ¿no? 

182
00:08:39.460 --> 00:08:42.260
Pero fijaos que pregunta allá 
por los años 50, ¿no? 

183
00:08:42.550 --> 00:08:44.605
Él es pionero en la teoría 
de la comunicación. 

184
00:08:44.655 --> 00:08:48.870
Siempre estamos estudiando Jacobson, 
pero fijaos en lo que decía, bueno, 

185
00:08:48.970 --> 00:08:53.130
hace su teoría de la comunicación 
junto a Claude Shannon, 

186
00:08:53.310 --> 00:08:55.385
pero fijados de lo que habla, 
transmisión de información, 

187
00:08:55.435 --> 00:08:58.010
fuente, transmisor, canal, receptor, 
destino, ruido. 

188
00:08:58.060 --> 00:09:00.825
Este señor es un señor de ciencias,

189
00:09:00.875 --> 00:09:02.985
pero fijaos algo tan importante 
de lo que está hablando 

190
00:09:03.035 --> 00:09:04.785
y que hablamos tanto 
en las facultades. 

191
00:09:04.835 --> 00:09:06.790
¿Cómo se traslada esa información?

192
00:09:07.070 --> 00:09:09.848
¿Qué necesitamos para que un mensaje 
llegue a otra persona? 

193
00:09:10.690 --> 00:09:13.865
Y entonces él, ya en los años 50, 
propone aplicar técnicas estadísticas 

194
00:09:13.915 --> 00:09:17.310
y descifrados para poder 
hacer esa traducción. 

195
00:09:17.410 --> 00:09:19.585
Es verdad que nace en un contexto 
un poco bélico, 

196
00:09:19.635 --> 00:09:21.905
porque hay que mandar información 
de un lado a otro 

197
00:09:21.955 --> 00:09:24.070
sin que los bandos se enteren.

198
00:09:24.330 --> 00:09:25.410
Nace en este contexto.

199
00:09:26.090 --> 00:09:29.825
Pero fijaos, ya en los años 50, 
estas preguntas tan importantes 

200
00:09:29.875 --> 00:09:32.406
que nos estamos haciendo a nivel 
de desarrollo humano. 

201
00:09:32.650 --> 00:09:34.510
Luego tenemos, por supuesto, 
a Turing, 

202
00:09:34.610 --> 00:09:38.350
donde él se pregunta qué pasaría.

203
00:09:39.160 --> 00:09:41.755
Si las máquinas pudieran pensar, 
¿pueden pensar las máquinas? 

204
00:09:41.805 --> 00:09:44.002
¿Puede una máquina replicar 
el cerebro humano? 

205
00:09:45.120 --> 00:09:47.565
Me encantaría ver a Turín ahora 
en los años actuales. 

206
00:09:47.615 --> 00:09:49.695
No sé si os ha pasado ya que 
os ha llamado una máquina 

207
00:09:49.745 --> 00:09:51.435
y tardáis un rato en comprobar 
que es una máquina. 

208
00:09:51.485 --> 00:09:51.995
¿Os ha pasado?

209
00:09:52.045 --> 00:09:52.900
¿O todavía no?

210
00:09:53.720 --> 00:09:58.055
Cada vez las voces son tan reales y 
tienen tanta capacidad de diálogo 

211
00:09:58.105 --> 00:10:01.200
que dices, espérate, ¿es una 
máquina o es una persona? 

212
00:10:01.400 --> 00:10:02.455
Llega un momento, es verdad,

213
00:10:02.505 --> 00:10:04.675
que a lo largo de la conversación 
dices, esto es una máquina 

214
00:10:04.725 --> 00:10:06.715
porque ya ha llegado un 
punto que se nota 

215
00:10:06.765 --> 00:10:07.860
que no es una persona.

216
00:10:08.610 --> 00:10:10.105
Pero fijaos también en los años 50,

217
00:10:10.155 --> 00:10:13.145
donde ya hay pensamiento 
de que las máquinas 

218
00:10:13.195 --> 00:10:16.003
pueden replicar algo tan poderoso 
como es el cerebro humano. 

219
00:10:16.110 --> 00:10:18.465
Entonces, Turing crea el 
famoso test de Turing, 

220
00:10:18.515 --> 00:10:21.265
donde él quiere determinar si 
una máquina puede imitar 

221
00:10:21.315 --> 00:10:22.285
una conversación humana.

222
00:10:22.335 --> 00:10:24.165
Entonces, hay un evaluador 
que conversa 

223
00:10:24.215 --> 00:10:27.830
con el escrito con una persona 
y no se sabe quién es quién. 

224
00:10:27.950 --> 00:10:30.485
Entonces, si no se logra distinguir 
a la máquina del humano, 

225
00:10:30.535 --> 00:10:32.650
pues aprueba el test de Turing.

226
00:10:32.980 --> 00:10:35.075
Ahora es asombroso porque estamos 
todos muy acostumbrados 

227
00:10:35.125 --> 00:10:35.995
a hablar con máquinas, ¿no?

228
00:10:36.045 --> 00:10:37.455
Pues contactas con una empresa

229
00:10:37.505 --> 00:10:39.196
y tienes un, pues como 
ha dicho Elena, 

230
00:10:39.246 --> 00:10:40.595
tienes una máquina al principio, ¿no?

231
00:10:40.645 --> 00:10:41.287
Por WhatsApp.

232
00:10:41.420 --> 00:10:44.815
Estamos acostumbrados a hacerlo, es 
verdad, que no de forma presencial 

233
00:10:44.865 --> 00:10:46.140
todavía en España, yo creo.

234
00:10:46.220 --> 00:10:48.365
No sé si habéis ido a algún 
restaurante con robot. 

235
00:10:48.415 --> 00:10:48.865
Sí.

236
00:10:48.915 --> 00:10:49.570
Habéis ido.

237
00:10:49.670 --> 00:10:51.505
Hace poco estaba viendo que 
se va a abrir una, 

238
00:10:51.555 --> 00:10:52.974
creo que era Calle Argumosa 14,

239
00:10:53.190 --> 00:10:54.950
una pizzería totalmente con robots.

240
00:10:55.130 --> 00:10:56.789
Es un robot y está haciendo un robot.

241
00:10:56.839 --> 00:10:58.865
No sé cómo ir a ese proyecto 
porque lo leí en un así 

242
00:10:58.915 --> 00:11:00.550
de pasada en el periódico.

243
00:11:00.650 --> 00:11:04.485
Y fijaos que ya dentro de poco 
estaremos conversando, 

244
00:11:04.535 --> 00:11:06.325
estaremos interactuando con máquinas.

245
00:11:06.375 --> 00:11:07.595
Da un poco de vértigo, ¿no?

246
00:11:07.645 --> 00:11:09.765
Porque es como este calorcito social 
del que hablabas de vernos, 

247
00:11:09.815 --> 00:11:10.679
de tratarnos, ¿no?

248
00:11:10.870 --> 00:11:12.426
No sabemos a dónde vamos a llegar.

249
00:11:12.510 --> 00:11:16.670
Pero fijaos que ya estamos 
replicando modelos sociales en máquinas. 

250
00:11:18.350 --> 00:11:20.905
Y yo ahora quería hacer un poco 
de experimento con vosotros 

251
00:11:20.955 --> 00:11:23.450
para ver cómo de creativos 
somos las personas. 

252
00:11:23.690 --> 00:11:25.985
Si yo ahora digo, me voy a tomar un.

253
00:11:26.035 --> 00:11:27.390
Descanso.

254
00:11:27.730 --> 00:11:30.010
Por ejemplo, ¿el resto 
qué ha pensado? 

255
00:11:30.350 --> 00:11:30.850
Café.

256
00:11:31.790 --> 00:11:32.705
Fijaos qué.

257
00:11:32.755 --> 00:11:37.730
Es lo normal, es una 
construcción, ¿no? 

258
00:11:39.590 --> 00:11:41.370
Me voy a tomar un café o un té,

259
00:11:41.450 --> 00:11:43.605
si hay alguien más que le guste 
más el café que el té. 

260
00:11:43.655 --> 00:11:45.570
Pero fijaos qué predecibles 
somos, ¿no? 

261
00:11:46.270 --> 00:11:47.885
Podría haber dicho que casi el 99%

262
00:11:47.935 --> 00:11:51.130
de las personas hemos pensado 
la misma construcción. 

263
00:11:51.190 --> 00:11:52.835
Y yo no os he dicho nada, o sea,

264
00:11:52.885 --> 00:11:54.870
no os he dado ningún contexto 
de partida. 

265
00:11:55.370 --> 00:11:57.085
Efectivamente, también había 
otras posibilidades, ¿no? 

266
00:11:57.135 --> 00:11:58.685
Como un descanso, un respiro, 
un tentempié, 

267
00:11:58.735 --> 00:12:00.210
un baño de burbujas, ¿por qué no?

268
00:12:01.030 --> 00:12:02.310
Pero no era el momento, ¿no?

269
00:12:02.370 --> 00:12:06.365
Ahora no existe suficiente contexto 
para poder haber elegido libremente, 

270
00:12:06.415 --> 00:12:07.612
arbitrariamente, estas.

271
00:12:08.610 --> 00:12:09.990
Estas combinaciones.

272
00:12:10.170 --> 00:12:12.745
Pero fijaos qué pasa si yo os doy 
un poquito más de contexto 

273
00:12:12.795 --> 00:12:14.815
y digo, uff, hoy hace un 
día súper caluroso, 

274
00:12:14.865 --> 00:12:16.205
me voy a tomar un.

275
00:12:16.255 --> 00:12:18.050
Ya a nadie se le ocurriría un café.

276
00:12:18.880 --> 00:12:19.915
Porque el café es caliente.

277
00:12:19.965 --> 00:12:20.980
Y os he dado contexto.

278
00:12:21.300 --> 00:12:23.215
Y vosotros vais a volver 
a reformular, 

279
00:12:23.265 --> 00:12:25.135
vais a volver a calcular 
otra probabilidad 

280
00:12:25.185 --> 00:12:27.200
de qué palabra puede venir 
a continuación. 

281
00:12:27.260 --> 00:12:29.415
Pues podemos decir un refresco, 
un té fresquito, 

282
00:12:29.465 --> 00:12:31.075
o un baño en la piscina,

283
00:12:31.125 --> 00:12:33.515
si es un día a lo mejor de estos 
retórritos de agosto 

284
00:12:33.565 --> 00:12:35.980
de los cuarenta y pico grados 
que estamos teniendo. 

285
00:12:36.320 --> 00:12:38.300
Así que os pregunto, 
¿somos creativos? 

286
00:12:40.120 --> 00:12:41.840
¿Cómo de creativos es el ser humano?

287
00:12:42.040 --> 00:12:44.207
¿Cómo de replicables lo 
que estamos pensando? 

288
00:12:46.100 --> 00:12:51.100
Al final, lo que venimos a 
decir es que el lenguaje 

289
00:12:51.300 --> 00:12:53.875
es un sistema probabilístico 
y es un sistema dinámico 

290
00:12:53.925 --> 00:12:57.755
que en función del contexto que 
le entra va calculando 

291
00:12:57.805 --> 00:12:59.935
la probabilidad de la palabra que 
va a venir a continuación 

292
00:12:59.985 --> 00:13:02.182
o del pensamiento que va a 
venir a continuación. 

293
00:13:03.240 --> 00:13:05.480
Estos modelos, este modelo 
de pensamiento, 

294
00:13:05.640 --> 00:13:06.675
estos modelos lingüísticos

295
00:13:06.725 --> 00:13:08.895
que tienen las máquinas funcionan 
exactamente igual. 

296
00:13:08.945 --> 00:13:12.135
Tienen información de contexto y 
van calculando la probabilidad 

297
00:13:12.185 --> 00:13:14.104
de la palabrita que viene 
a continuación. 

298
00:13:16.240 --> 00:13:18.995
Y es aquí, fijaos, donde se junta 
esa intersección entre lengua lingüística 

299
00:13:19.045 --> 00:13:20.255
e inteligencia artificial.

300
00:13:20.305 --> 00:13:23.000
Y esto que acabamos de hacer, 
de manera de juego, 

301
00:13:23.100 --> 00:13:25.455
es lo que hacen las máquinas, 
calcular con ese contexto 

302
00:13:25.505 --> 00:13:26.702
que viene a continuación.

303
00:13:27.220 --> 00:13:28.500
Así que aquí es el papel,

304
00:13:28.580 --> 00:13:31.095
la pregunta que nos hacemos es, 
¿cómo enseñamos a una máquina, 

305
00:13:31.145 --> 00:13:33.495
cómo se enseña a una máquina 
a establecer 

306
00:13:33.545 --> 00:13:34.353
esas relaciones?

307
00:13:35.100 --> 00:13:36.380
Y fijaos aquí qué bonito,

308
00:13:36.520 --> 00:13:39.755
porque ni siquiera estamos hablando 
de sustantivos, adverbios, 

309
00:13:39.805 --> 00:13:41.355
no estamos yendo a un 
nivel muy profundo 

310
00:13:41.405 --> 00:13:42.675
de la lengua, no hablamos de fonemas,

311
00:13:42.725 --> 00:13:44.756
no estamos hablando de niveles 
de la lengua. 

312
00:13:45.230 --> 00:13:48.810
Es decir, ahora es probabilidad, 
porque podéis haber dicho dos cafés, 

313
00:13:48.890 --> 00:13:51.830
siete cafés, podéis haber dicho 
lo que hubierais querido, 

314
00:13:51.910 --> 00:13:56.590
pero el contexto y la probabilidad 
habéis elegido ese signo. 

315
00:13:58.230 --> 00:14:01.345
Si tenemos que hablar a nivel de 
hitos de cómo llegamos al momento 

316
00:14:01.395 --> 00:14:04.130
donde estamos en cuanto a 
inteligencia artificial, 

317
00:14:04.510 --> 00:14:05.945
pues hemos pasado por etapas, claro,

318
00:14:05.995 --> 00:14:08.105
porque todo no es inteligencia 
artificial generativa, 

319
00:14:08.155 --> 00:14:10.585
aunque ahora las nuevas generaciones 
le dan ahí un botoncito, 

320
00:14:10.635 --> 00:14:11.825
no sé qué, y tienen ahí el resumen

321
00:14:11.875 --> 00:14:13.183
y les hacen los deberes, ¿no?

322
00:14:14.810 --> 00:14:18.350
Empezamos en los años 50, entre 
los 50 y los 70 más o menos, 

323
00:14:18.510 --> 00:14:21.665
donde tenemos una inteligencia 
artificial que se basa en reglas. 

324
00:14:21.715 --> 00:14:22.930
Son todos silogismos.

325
00:14:22.990 --> 00:14:24.310
Si esto, esto.

326
00:14:24.490 --> 00:14:25.490
Si esto, esto.

327
00:14:26.090 --> 00:14:28.945
Entonces, las máquinas piensan, 
lo he puesto entre comillas 

328
00:14:28.995 --> 00:14:30.686
porque al final no es un pensamiento,

329
00:14:30.736 --> 00:14:32.075
siguen instrucciones.

330
00:14:32.125 --> 00:14:34.670
Si ocurre esto, pues se 
va a accionar esto. 

331
00:14:34.890 --> 00:14:37.035
Si el semáforo se pone en rojo,

332
00:14:37.085 --> 00:14:38.270
pues el peatón pasa.

333
00:14:38.510 --> 00:14:39.525
Todos silogismos.

334
00:14:39.575 --> 00:14:41.145
Y todas excepciones, porque claro,

335
00:14:41.195 --> 00:14:43.790
a cada regla tiene sus excepciones.

336
00:14:44.530 --> 00:14:45.525
Y al final lo que hacemos, ¿no?

337
00:14:45.575 --> 00:14:48.950
Pues si tengo el verbo, a ver, 
si tengo el verbo oler, 

338
00:14:49.010 --> 00:14:50.805
pues la primera D tiene H, ¿no?

339
00:14:50.855 --> 00:14:51.745
Pues todo excepciones, ¿no?

340
00:14:51.795 --> 00:14:53.990
Ya sabéis todas las cosas 
de la lengua. 

341
00:14:54.070 --> 00:14:57.805
Y al final lo que tenemos es 
un megasistema de SIS 

342
00:14:57.855 --> 00:15:00.225
que es gigantesco y es muy 
difícil de construir 

343
00:15:00.275 --> 00:15:02.965
porque pasas mucho tiempo 
estructurando el lenguaje, 

344
00:15:03.015 --> 00:15:04.065
el pensamiento en reglas.

345
00:15:04.115 --> 00:15:04.812
Es muy difícil.

346
00:15:05.610 --> 00:15:06.570
Lleva mucho tiempo.

347
00:15:06.990 --> 00:15:09.470
¿Qué ocurre en la década 
de los 80 y de los 90? 

348
00:15:09.750 --> 00:15:13.970
Que aquí lo que empiezan a hacer es 
a trabajar con probabilidad. 

349
00:15:14.870 --> 00:15:16.905
Porque ¿para qué vamos a tener 
todas las reglas detalladas? 

350
00:15:16.955 --> 00:15:18.305
Y lo más probable que ocurra es esto.

351
00:15:18.355 --> 00:15:19.805
¿Para qué voy a tener esta reglita?

352
00:15:19.855 --> 00:15:21.185
Yo sé que a los lingüistas 
nos gusta mucho 

353
00:15:21.235 --> 00:15:23.877
y a mí me ha costado mucho cuando 
trabajo con computación. 

354
00:15:23.930 --> 00:15:25.570
Dejar algo fuera.

355
00:15:25.690 --> 00:15:29.810
Porque nosotros queremos recoger, 
porque somos describimos. 

356
00:15:30.190 --> 00:15:33.205
Entonces nosotros describimos todo, 
desde lo más frecuente 

357
00:15:33.255 --> 00:15:34.174
a lo poco frecuente.

358
00:15:34.270 --> 00:15:36.985
¿Y si ocurre en una subordinada 
que de repente 

359
00:15:37.035 --> 00:15:38.750
el nexo está omitido?

360
00:15:38.810 --> 00:15:40.810
Da igual, si no es frecuente, 
se saca fuera. 

361
00:15:40.910 --> 00:15:42.915
Porque ¿cuánta probabilidad 
hay de que ocurra? 

362
00:15:42.965 --> 00:15:44.555
Y tenemos que aprender a que 
la probabilidad existe 

363
00:15:44.605 --> 00:15:46.140
en el lenguaje.

364
00:15:46.900 --> 00:15:48.335
Así que en los años 80-90

365
00:15:48.385 --> 00:15:52.095
empezamos a hablar de inteligencia 
artificial basada en probabilística 

366
00:15:52.145 --> 00:15:55.380
y lo que tenemos es un papel muy 
importante de la incertidumbre. 

367
00:15:55.500 --> 00:15:56.740
Si no tengo esta variable,

368
00:15:56.980 --> 00:16:01.320
pero puedo hacer inferencia 
sobre ella y la calculo. 

369
00:16:01.520 --> 00:16:03.140
Pues si enciendo el ordenador,

370
00:16:03.220 --> 00:16:05.715
si le doy al botón de encender 
el ordenador 

371
00:16:05.765 --> 00:16:07.462
y no se enciende, ¿qué puede ocurrir?

372
00:16:07.660 --> 00:16:08.876
Y aquí empiezo a calcular.

373
00:16:08.926 --> 00:16:10.480
Pues a lo mejor es que no tiene luz.

374
00:16:11.560 --> 00:16:12.935
Tanto como que no hay electricidad.

375
00:16:12.985 --> 00:16:13.875
Y empecé a calcular

376
00:16:13.925 --> 00:16:16.067
qué probabilidades ocurren 
dentro del mundo. 

377
00:16:16.640 --> 00:16:19.515
En los años 2000 a los 2020 
empezamos también 

378
00:16:19.565 --> 00:16:21.775
a tener inteligencia artificial 
basada en datos. 

379
00:16:21.825 --> 00:16:23.455
Durante mucho tiempo hemos 
estado analizando datos 

380
00:16:23.505 --> 00:16:25.195
y tenemos muchísimos datos 
estructurados, 

381
00:16:25.245 --> 00:16:29.000
etiquetados y tenemos muchísimo 
conocimiento digital. 

382
00:16:31.240 --> 00:16:34.155
Así que aquí lo que empezamos a 
hacer es aprendizaje automático, 

383
00:16:34.205 --> 00:16:36.915
es decir, a la máquina le 
das unos datos de base 

384
00:16:36.965 --> 00:16:39.820
y ella solo infiere otro 
tipo de conclusiones. 

385
00:16:40.610 --> 00:16:42.445
Así que aquí tenemos un aprendizaje 
automático 

386
00:16:42.495 --> 00:16:43.748
que se llama Deep Learning.

387
00:16:43.950 --> 00:16:45.950
Aprendemos de grandes 
volúmenes de datos. 

388
00:16:46.550 --> 00:16:47.225
Nosotros, claro,

389
00:16:47.275 --> 00:16:50.105
imaginad que vosotros pudierais 
leer todos los días 

390
00:16:50.155 --> 00:16:52.170
un Quijote en volumen.

391
00:16:52.470 --> 00:16:55.905
Pues fijaos qué conocimiento, que lo 
pudiéramos procesar y recordar 

392
00:16:55.955 --> 00:16:59.875
y tuviéramos ahí el cerebro como 
un archivo que tú abres, 

393
00:16:59.925 --> 00:17:01.521
clic, clic, y coge la información.

394
00:17:02.130 --> 00:17:03.725
Tenemos mucha capacidad de cómputo,

395
00:17:03.775 --> 00:17:05.425
así que empezamos a hacer 
inteligencia artificial 

396
00:17:05.475 --> 00:17:06.228
basada en datos.

397
00:17:06.610 --> 00:17:08.010
Y entre el 2000.

398
00:17:08.850 --> 00:17:11.810
2017-2020 empezamos a tener 
la IA generativa, 

399
00:17:11.870 --> 00:17:13.045
que vamos a hablar hoy de ello.

400
00:17:13.095 --> 00:17:17.089
Empezamos a tener esos modelos que 
crean lenguaje por primera vez, 

401
00:17:17.209 --> 00:17:19.964
crean texto por primera vez, crean 
imágenes por primera vez, 

402
00:17:20.015 --> 00:17:22.689
crean música, crean cosas 
que antes no existían. 

403
00:17:23.410 --> 00:17:25.885
Tenemos esa capacidad ahora de 
crear contenido original 

404
00:17:25.935 --> 00:17:28.005
y además en diferentes formatos.

405
00:17:28.055 --> 00:17:30.145
No sé si todos habéis creado algo 
diferente que no sea lenguaje, 

406
00:17:30.195 --> 00:17:32.490
habéis creado imágenes, 
vídeos, música. 

407
00:17:32.730 --> 00:17:34.563
¿Habéis intentado hacer 
música con IA? 

408
00:17:35.060 --> 00:17:36.429
Eso también es muy divertido,

409
00:17:36.479 --> 00:17:38.635
porque claro, tú no eres experto 
y de repente haces algo 

410
00:17:38.685 --> 00:17:40.882
y dices, uy, pues esto, mira, 
pues lo he hecho yo. 

411
00:17:42.160 --> 00:17:44.855
Así que vamos a hablar dónde 
estamos en esa cuarta ola 

412
00:17:44.905 --> 00:17:46.380
de la inteligencia artificial.

413
00:17:46.640 --> 00:17:47.720
En el 2017,

414
00:17:48.080 --> 00:17:50.200
Google lanza un paper, 
que lo tenéis en, 

415
00:17:50.260 --> 00:17:52.920
si lo googleáis, se llama Attention 
is all you need, 

416
00:17:53.040 --> 00:17:56.015
porque se dieron cuenta de 
que dando más atención 

417
00:17:56.065 --> 00:17:58.500
a unas palabras que a otras 
dentro de una frase, 

418
00:17:58.640 --> 00:18:02.515
podían procesar el lenguaje 
de una forma única 

419
00:18:02.565 --> 00:18:04.096
que no se había hecho hasta ahora.

420
00:18:04.430 --> 00:18:05.545
Hasta ahora en inteligencia 
artificial 

421
00:18:05.595 --> 00:18:07.565
lo que ocurre a nivel de 
procesamiento de lenguaje 

422
00:18:07.615 --> 00:18:10.065
es que tenemos carencias en cuanto 
a cosas muy básicas 

423
00:18:10.115 --> 00:18:12.435
que estudiamos incluso 
desde el colegio. 

424
00:18:12.485 --> 00:18:14.790
La anáfora, cuando yo 
digo, por ejemplo, 

425
00:18:14.950 --> 00:18:19.950
Elena está sentada a mi lado, pues 
ella lleva una chaqueta gris. 

426
00:18:20.330 --> 00:18:22.690
Y cuando digo ella, es Elena.

427
00:18:22.970 --> 00:18:26.645
Pero cuando digo María está sentada 
y tiene una chaqueta verde, 

428
00:18:26.695 --> 00:18:31.045
ella tiene un pañuelo, Ella 
ha cambiado de persona, 

429
00:18:31.095 --> 00:18:31.885
ha cambiado de foco.

430
00:18:31.935 --> 00:18:33.885
Esto para las máquinas 
era una tortura, 

431
00:18:33.935 --> 00:18:35.966
porque no saben quién es 
ella en el discurso. 

432
00:18:36.350 --> 00:18:38.610
Es difícil señalar quién es.

433
00:18:38.890 --> 00:18:41.265
Y más cuando tengo un texto tan 
largo como el Quijote. 

434
00:18:41.315 --> 00:18:43.425
Imaginad cuando el último párrafo 
de todo el Quijote, 

435
00:18:43.475 --> 00:18:45.165
y no me acuerdo cómo 
acaba el Quijote, 

436
00:18:45.215 --> 00:18:48.270
pero imaginad que él 
se fue galopando, 

437
00:18:48.370 --> 00:18:48.905
me lo invento.

438
00:18:48.955 --> 00:18:49.630
¿Quién es él?

439
00:18:49.730 --> 00:18:50.425
¿Es Sancho?

440
00:18:50.475 --> 00:18:50.945
¿Es Quijote?

441
00:18:50.995 --> 00:18:51.585
¿Es un personaje?

442
00:18:51.635 --> 00:18:52.110
¿Quién es?

443
00:18:52.700 --> 00:18:54.475
Y esto era una tortura a nivel 
de procesamiento, 

444
00:18:54.525 --> 00:18:56.635
cosas como la anáfora, la catáfora,

445
00:18:56.685 --> 00:19:00.475
todos los deíticos del discurso 
era una tortura 

446
00:19:00.525 --> 00:19:01.780
para hacer procesamiento.

447
00:19:02.140 --> 00:19:04.675
Y aquí se dan cuenta de que 
procesando la información 

448
00:19:04.725 --> 00:19:08.195
y guardando información de 
una manera estratégica, 

449
00:19:08.245 --> 00:19:09.935
con un modelo que se llama 
modelo transforme, 

450
00:19:09.985 --> 00:19:12.676
podemos procesar el lenguaje de 
una manera más eficiente. 

451
00:19:12.726 --> 00:19:15.820
Y este es el trabajo que desencadena 
la inteligencia artificial. 

452
00:19:17.140 --> 00:19:19.875
Y entonces, a partir de ese paper, 
ya todos los proveedores 

453
00:19:19.925 --> 00:19:22.122
sacan sus modelos de inteligencia 
artificial. 

454
00:19:22.400 --> 00:19:24.755
Empezamos con OpenAI, con 
los modelos de chat 

455
00:19:24.805 --> 00:19:25.280
GPT.

456
00:19:26.030 --> 00:19:27.252
Que se llaman modelos GPT.

457
00:19:27.410 --> 00:19:30.850
Empezamos en el 18 con GPT-1 y 
aquí hablamos de parámetros. 

458
00:19:30.950 --> 00:19:34.890
Parámetros son las configuraciones 
que hacen en una red inmensa. 

459
00:19:35.270 --> 00:19:38.245
Imaginaros un árbol de 
grafos, ¿sabéis? 

460
00:19:38.295 --> 00:19:40.492
Unos grafos conectados entre 
esa información. 

461
00:19:40.610 --> 00:19:43.325
Y empiezan a conectar información 
entre esos nodos. 

462
00:19:43.375 --> 00:19:44.517
Un millón de parámetros.

463
00:19:44.750 --> 00:19:47.070
En el 2019, GPT-2.

464
00:19:47.190 --> 00:19:49.590
Ya tenemos 1.500 millones 
de parámetros. 

465
00:19:49.710 --> 00:19:50.330
En el 2020,

466
00:19:50.630 --> 00:19:52.925
Microsoft se lanza.

467
00:19:52.975 --> 00:19:53.839
Lanza Turing en LG.

468
00:19:54.920 --> 00:19:56.660
Es Natural Language Generation.

469
00:19:57.020 --> 00:19:58.520
Luego OpenAI tiene GPT-3.

470
00:19:59.220 --> 00:20:02.615
Fijaos, ya se empiezan a 
desencadenar todos los proveedores con sus modelos 

471
00:20:02.665 --> 00:20:03.115
de lenguaje.

472
00:20:03.165 --> 00:20:05.600
Cada uno quiere crear el suyo 
para ver quién es mejor, 

473
00:20:05.660 --> 00:20:07.620
para acaparar mercado en este.

474
00:20:08.420 --> 00:20:10.100
En esta tecnología.

475
00:20:10.440 --> 00:20:11.773
Y ahora tenemos un conjunto,

476
00:20:11.880 --> 00:20:13.715
si os metéis y buscáis cuántos 
modelos de lenguaje, 

477
00:20:13.765 --> 00:20:14.835
pues hay tropecientos mil,

478
00:20:14.885 --> 00:20:16.495
cada uno sirve para hacer 
una cosa específica, 

479
00:20:16.545 --> 00:20:18.985
uno para clasificar, otro 
para generar imágenes, 

480
00:20:19.035 --> 00:20:23.615
otro para clasificar texto, otro 
para, no sé, otro multimodal, 

481
00:20:23.665 --> 00:20:25.255
que sirva para la voz, que 
sirva para el texto. 

482
00:20:25.305 --> 00:20:27.305
Tenemos modelos que hacen 
de todo, ¿no? 

483
00:20:27.355 --> 00:20:29.695
Tenemos como minicerebro, bueno, 
mini, son maxicerebros 

484
00:20:29.745 --> 00:20:33.420
haciendo funcionamiento que 
hacen muchas personas. 

485
00:20:34.220 --> 00:20:36.160
Y esto es alucinante, ¿no?

486
00:20:36.940 --> 00:20:38.162
Y nosotros como personas.

487
00:20:40.980 --> 00:20:41.655
Para utilizarla.

488
00:20:41.705 --> 00:20:45.435
Bueno, en el mundo laboral y yo creo 
que en la Unión Fronteriz 

489
00:20:45.485 --> 00:20:47.835
también utilizaréis tanto 
estudiantes como profesores 

490
00:20:47.885 --> 00:20:49.015
de inteligencia artificial generativa

491
00:20:49.065 --> 00:20:52.280
para hacer cosas que os ayuden 
a vuestro trabajo. 

492
00:20:52.480 --> 00:20:53.975
Cosas que a lo mejor tardaron 
mucho antes 

493
00:20:54.025 --> 00:20:56.545
y siempre con supervisión 
humana, nada de copiar, 

494
00:20:56.595 --> 00:20:58.635
nada de dejar que la guía 
haga las cosas sola. 

495
00:20:58.900 --> 00:21:02.540
Es una herramienta fantástica para 
hacer diferentes cosas. 

496
00:21:04.540 --> 00:21:06.005
Y aquí os vuelvo a preguntar,

497
00:21:06.055 --> 00:21:07.515
¿la inteligencia artificial 
generativa 

498
00:21:07.565 --> 00:21:08.540
parece tan creativa.

499
00:21:09.800 --> 00:21:10.333
¿Cómo lo es?

500
00:21:10.383 --> 00:21:11.755
Es decir, tú te pones 
a hacer chaquete 

501
00:21:11.805 --> 00:21:14.015
y le dices, oye, tengo en la nevera, 
yo que se me lo invento, 

502
00:21:14.065 --> 00:21:18.080
unos huevos y patatas, ¿qué haces?

503
00:21:18.200 --> 00:21:19.815
Y te dice, pues venga, vamos 
a hacer una tortilla. 

504
00:21:19.865 --> 00:21:21.951
Y te da la receta y tú dices, 
pues mira qué bien. 

505
00:21:22.380 --> 00:21:23.480
Parece como magia.

506
00:21:24.340 --> 00:21:25.980
¿Parece magia o no parece magia?

507
00:21:26.080 --> 00:21:29.295
Os he puesto aquí símil entre 
la cantidad de información 

508
00:21:29.345 --> 00:21:31.280
que tiene GPT-5, no es oficial,

509
00:21:31.520 --> 00:21:35.920
pero más o menos tiene entre 1,7 
y 1,8 billones de parámetros. 

510
00:21:36.620 --> 00:21:37.840
¿Y cuánto es esto?

511
00:21:37.940 --> 00:21:39.662
¿Qué quiere decir estos parámetros?

512
00:21:40.550 --> 00:21:43.950
Cuando entrenan estos modelos, 
lo entrenan con lenguaje. 

513
00:21:44.070 --> 00:21:44.610
Es decir,

514
00:21:44.730 --> 00:21:48.155
todo el lenguaje enciclopédico, 
libros, revistas, periódicos, 

515
00:21:48.205 --> 00:21:50.665
todo el conocimiento que hay 
digitalizado, se lo dan. 

516
00:21:50.715 --> 00:21:54.010
Y empiezan a generar conexiones 
entre palabras. 

517
00:21:55.050 --> 00:21:57.955
Y tiene más o menos entre 40 y 
100.000 billones de toques. 

518
00:21:58.005 --> 00:22:01.110
Más o menos un token es una 
palabra en computación. 

519
00:22:01.490 --> 00:22:03.845
Y es hecho un símil de una 
persona promedio, 

520
00:22:03.895 --> 00:22:06.135
pues lee unas 250 palabras 
por minuto, 

521
00:22:06.185 --> 00:22:08.270
más o menos unas 15.000 
palabras a la hora. 

522
00:22:09.000 --> 00:22:11.455
Y más o menos si un libro promedio 
tiene 100.000 palabras, 

523
00:22:11.505 --> 00:22:14.240
pues tardaríamos entre 6 
y 7 horas en leerlo. 

524
00:22:15.120 --> 00:22:17.795
50 billones de toques, 
que más o menos, 

525
00:22:17.845 --> 00:22:21.540
yendo por el umbral bajo con lo 
que está entrenado HechaGPT, 

526
00:22:21.640 --> 00:22:26.455
entre 15.000 palabras a la hora, 
pues nos salen, yo no sé leer esto, 

527
00:22:26.505 --> 00:22:28.760
todas estas cifras de 
horas de lectura. 

528
00:22:29.820 --> 00:22:34.820
Y si un año tiene 87.650 horas,

529
00:22:37.040 --> 00:22:39.940
pues nosotros para poder leer 
lo que tiene GPT-5, 

530
00:22:40.080 --> 00:22:43.080
pues necesitaríamos 380.000 
años de lectura contigo. 

531
00:22:43.160 --> 00:22:45.300
Sin ir al baño, sin pensar, 
sin escribir, 

532
00:22:45.360 --> 00:22:45.971
sin charlar.

533
00:22:46.180 --> 00:22:47.255
Entonces os pregunto,

534
00:22:47.305 --> 00:22:50.002
¿es tan creativo los modelos de 
inteligencia artificial? 

535
00:22:50.340 --> 00:22:51.075
Pues yo creo

536
00:22:51.125 --> 00:22:53.455
que no, simplemente tiene muchísima 
capacidad de computador, 

537
00:22:53.505 --> 00:22:57.120
tiene muchísima más capacidad 
de almacenar. 

538
00:22:58.030 --> 00:22:59.725
Nos parece alucinante porque, 
claro, comparado esto 

539
00:22:59.775 --> 00:23:02.110
con mi cerebro, que digo,

540
00:23:02.170 --> 00:23:05.445
pues, esto yo no voy a llegar nunca 
aquí, entonces nunca voy 

541
00:23:05.495 --> 00:23:08.165
a poder hacer algo tan grande 
como hacer una canción 

542
00:23:08.215 --> 00:23:09.301
en cuestión de minutos.

543
00:23:11.150 --> 00:23:14.185
Si nos vamos a nuestro ámbito, en 
nuestras capas de lenguaje, 

544
00:23:14.235 --> 00:23:17.285
que siempre estudiamos el 
lenguaje por capas, 

545
00:23:17.335 --> 00:23:19.970
tenemos la capa de los fonemas,

546
00:23:20.070 --> 00:23:23.590
tenemos luego la capa de los lexemas,

547
00:23:23.690 --> 00:23:25.857
tenemos la capa del sintasis, 
tenemos la capa. 

548
00:23:29.080 --> 00:23:31.360
La parte del discurso, la pragmática.

549
00:23:31.620 --> 00:23:32.955
Tenemos ahí todas las capas.

550
00:23:33.005 --> 00:23:36.536
También lo tenemos exactamente igual 
en cuanto a inteligencia artificial. 

551
00:23:36.900 --> 00:23:38.100
Tenemos la primera fase.

552
00:23:38.240 --> 00:23:40.415
Imaginad cuando vamos a hacer el 
ejemplo ese que contó el ejemplo 

553
00:23:40.465 --> 00:23:44.415
Elena, que estamos llamando a una 
empresa y llamamos por teléfono 

554
00:23:44.465 --> 00:23:45.355
y se pone una máquina.

555
00:23:45.405 --> 00:23:46.240
¿Qué hacemos ahí?

556
00:23:46.560 --> 00:23:49.940
La primera fase que tiene que hacer 
la máquina es convertir. 

557
00:23:50.460 --> 00:23:52.520
Lo primero que hace es 
capturar el audio. 

558
00:23:53.400 --> 00:23:56.080
En un audio claro, preciso 
y aislar el ruido. 

559
00:23:56.500 --> 00:23:58.585
Detectar el idioma, capturar 
la variedad, 

560
00:23:58.635 --> 00:23:59.895
porque claro, no es lo mismo.

561
00:23:59.945 --> 00:24:02.580
¿Hay alguien que no tenga 
la variedad castellana? 

562
00:24:02.640 --> 00:24:04.475
¿Alguien que sea de Andalucía, 
por ejemplo? 

563
00:24:04.525 --> 00:24:06.833
¿No hay nadie aquí de Andalucía 
o de otra variedad? 

564
00:24:07.660 --> 00:24:08.160
¿Nadie?

565
00:24:08.220 --> 00:24:09.215
¿Somos todos de Madrid?

566
00:24:09.265 --> 00:24:09.851
O sea, vasco.

567
00:24:10.380 --> 00:24:15.380
¿Te ha pasado alguna vez que no has 
podido hablar vasco con una máquina? 

568
00:24:16.540 --> 00:24:17.515
No he podido.

569
00:24:17.565 --> 00:24:19.195
No has podido y tú quieres, 
y tú querías, 

570
00:24:19.245 --> 00:24:20.635
porque es una lengua cooficial.

571
00:24:20.685 --> 00:24:21.475
Me ha pasado

572
00:24:21.525 --> 00:24:23.111
porque, bueno, no lo he entendido.

573
00:24:23.560 --> 00:24:26.015
Sobre todo, bueno, preguntaba Andaluz

574
00:24:26.065 --> 00:24:30.275
porque dentro de las variedades a 
nivel tecnológica es muy difícil 

575
00:24:30.325 --> 00:24:32.385
transcribir la ausencia 
de fonemas, ¿no? 

576
00:24:32.435 --> 00:24:34.860
Por ejemplo, la S, las S,

577
00:24:35.020 --> 00:24:39.995
es muy difícil hacer una 
transcripción de, por ejemplo, 

578
00:24:40.045 --> 00:24:42.640
Andaluz en fonemas, ¿no?

579
00:24:43.280 --> 00:24:44.415
No hay modelos suficientes,

580
00:24:44.465 --> 00:24:46.700
por eso venía a decirlo.

581
00:24:46.820 --> 00:24:49.235
A veces me pasa, a lo mejor

582
00:24:49.285 --> 00:24:51.695
si transcribes a alguien que 
sea por ejemplo de Cádiz, 

583
00:24:51.745 --> 00:24:53.580
que diga Alma en vez de Alma, Arma,

584
00:24:53.700 --> 00:24:57.035
pues que adapten ese Arma que 
está escuchando a Alma 

585
00:24:57.085 --> 00:25:00.700
en su contexto, en el contexto 
social donde está hablando. 

586
00:25:01.000 --> 00:25:03.216
Entonces la primera fase 
es capturar ese audio, 

587
00:25:03.266 --> 00:25:04.060
ese audio claro,

588
00:25:04.200 --> 00:25:08.580
y convertir esa cadena de sonidos 
en una cadena escrita. 

589
00:25:08.930 --> 00:25:11.465
Una vez que tenemos esa 
cadena escrita, 

590
00:25:11.515 --> 00:25:14.910
SAFA se llama Speak to Text, 
convertimos el habla en texto, 

591
00:25:15.070 --> 00:25:17.403
ya somos capaces de procesar 
toda la información. 

592
00:25:18.750 --> 00:25:22.350
Una vez que tenemos ese 
procesamiento del texto, 

593
00:25:22.730 --> 00:25:25.465
lo que hacemos a continuación es 
interpretar tanto el significado 

594
00:25:25.515 --> 00:25:27.945
como el contexto y tenemos que 
hacer algo muy importante, 

595
00:25:27.995 --> 00:25:31.205
manejar la ambigüedad, manejar 
fenómenos como el sarcasmo, 

596
00:25:31.255 --> 00:25:33.050
la ironía, emociones.

597
00:25:33.210 --> 00:25:34.085
Si tú llamas

598
00:25:34.135 --> 00:25:36.305
y estás harto porque te han cobrado 
la factura mal 50 veces 

599
00:25:36.355 --> 00:25:38.330
y dices, mira, esto me 
parece maravilloso, 

600
00:25:38.710 --> 00:25:40.065
Pues no estoy diciendo que 
esto es maravilloso, 

601
00:25:40.115 --> 00:25:42.034
estoy diciendo justamente 
lo contrario. 

602
00:25:42.150 --> 00:25:44.825
Y después también hacer referencias, 
como hemos hablado, 

603
00:25:44.875 --> 00:25:47.545
de comprensión, tanto referencias 
como implícitas, 

604
00:25:47.595 --> 00:25:48.485
como de coherencia.

605
00:25:48.535 --> 00:25:50.915
Vino el otro día, el técnico,

606
00:25:50.965 --> 00:25:52.365
a ver qué día fue, tú en el sistema

607
00:25:52.415 --> 00:25:55.430
y el otro día es el día más cercano 
al momento del habla. 

608
00:25:55.790 --> 00:25:58.705
Entonces hacemos muchas referencias 
implícitas y explícitas 

609
00:25:58.755 --> 00:26:01.150
y tenemos que relacionarlas 
en el contexto. 

610
00:26:01.290 --> 00:26:02.745
Así que fijaos que no es trivial.

611
00:26:02.795 --> 00:26:04.865
Estamos hablando, nosotros tenemos 
una máquina poderosa 

612
00:26:04.915 --> 00:26:06.665
que mientras yo estoy hablando 
vosotros estáis escuchando 

613
00:26:06.715 --> 00:26:11.690
y estáis transcribiendo y estáis 
analizando el conocimiento 

614
00:26:11.970 --> 00:26:14.145
que yo estoy diciendo, pero 
claro, a una máquina 

615
00:26:14.195 --> 00:26:16.281
hay que enseñarle a hacer 
todas estas partes. 

616
00:26:16.470 --> 00:26:18.645
Y luego por último estaría 
la generación de voz. 

617
00:26:18.695 --> 00:26:21.490
Una vez que la máquina tiene que 
hacer lo que tenga que hacer, 

618
00:26:21.570 --> 00:26:23.570
convierte ese texto en voz.

619
00:26:24.240 --> 00:26:25.895
Sí que es verdad que, como 
estaba diciendo, 

620
00:26:25.945 --> 00:26:30.095
hasta ahora las inteligencias 
oficiales notábamos que era una guía 

621
00:26:30.145 --> 00:26:31.695
porque la voz era un poco 
enlatada, ¿no? 

622
00:26:31.745 --> 00:26:33.276
Tú sabías que, excepto máquinas.

623
00:26:33.420 --> 00:26:36.275
Ahora hay proveedores, por ejemplo, 
si conocéis Eleven Labs, 

624
00:26:36.325 --> 00:26:40.095
hacen voces naturales, clones 
de voces incluso naturales, 

625
00:26:40.145 --> 00:26:42.215
que es que parece que estás 
hablando con una persona, 

626
00:26:42.265 --> 00:26:43.455
o sea, es alucinante.

627
00:26:43.505 --> 00:26:45.475
También, no sé si habéis 
probado chat GPT 

628
00:26:45.525 --> 00:26:48.095
en la versión hablada, que es una.

629
00:26:48.145 --> 00:26:50.800
Voy a coger el mute, lo probamos, sí.

630
00:26:51.410 --> 00:26:56.410
Y es hablada, y le puedes 
interrumpir toda la vez que quieras. 

631
00:26:57.510 --> 00:27:01.170
Es alucinante cómo replica 
una conversación. 

632
00:27:01.410 --> 00:27:05.850
Sobre todo nosotros, en nuestro 
contexto español, 

633
00:27:06.070 --> 00:27:09.610
nos interrumpimos bastante cuando 
hablamos frente a otras culturas, 

634
00:27:09.690 --> 00:27:12.510
y lo hace muy bien, se calla, 
te escucha, retoma. 

635
00:27:13.090 --> 00:27:14.965
Os invito a probarlo porque 
es alucinante 

636
00:27:15.015 --> 00:27:19.990
cómo replica todas estas fases 
del lenguaje y cómo lo hace. 

637
00:27:22.210 --> 00:27:23.377
A ver, ya estoy borrando.

638
00:27:24.070 --> 00:27:25.230
No sé si lo irán en casa.

639
00:27:25.390 --> 00:27:26.279
Hola, buenos días.

640
00:27:26.870 --> 00:27:27.759
Hola, buenos días.

641
00:27:28.690 --> 00:27:29.545
¿Qué me cuentas?

642
00:27:29.595 --> 00:27:30.290
¿Qué tal todo?

643
00:27:30.490 --> 00:27:31.601
No, no, ¿qué me cuentas?

644
00:27:32.350 --> 00:27:33.450
Ah, perdón.

645
00:27:33.850 --> 00:27:35.870
Pues nada, aquí contigo.

646
00:27:37.920 --> 00:27:39.520
¿Qué día hace hoy de temperatura?

647
00:27:43.080 --> 00:27:48.080
Hoy, miércoles 14 de octubre.

648
00:27:48.440 --> 00:27:49.829
Ay, perdona, no, en Valencia.

649
00:27:50.200 --> 00:27:51.422
En Valencia, en Valencia.

650
00:27:55.240 --> 00:27:57.235
Bueno, yo le puedo interrumpir 
todas las veces que quiera 

651
00:27:57.285 --> 00:27:59.000
y él se calla, me escucha y vuelve.

652
00:27:59.260 --> 00:28:00.500
Y lo hace súper bien.

653
00:28:00.660 --> 00:28:05.275
Y esto es un desarrollo tecnológico 
sin avance inigual, 

654
00:28:05.325 --> 00:28:06.915
porque hasta ahora cuando hablamos 
con las máquinas era 

655
00:28:06.965 --> 00:28:08.775
yo hablo, tú te callas, yo hablo, 
tú te callas, yo hablo, 

656
00:28:08.825 --> 00:28:09.411
tú te callas.

657
00:28:09.780 --> 00:28:11.002
Y así consiguientemente.

658
00:28:11.180 --> 00:28:12.895
Y ahora por primera vez 
ya no ocurre así. 

659
00:28:12.945 --> 00:28:17.615
Ahora mismo todo el discurso que 
estamos articulando funciona 

660
00:28:17.665 --> 00:28:19.807
con las reglas que las personas 
hemos escrito. 

661
00:28:20.540 --> 00:28:22.555
Porque anda que no estamos cansados 
de hablar con una máquina 

662
00:28:22.605 --> 00:28:24.675
y tener que adecuarnos a la máquina 
y la máquina a nosotros. 

663
00:28:24.725 --> 00:28:27.155
O sea, ellos dicen, ya, 
pongo una persona 

664
00:28:27.205 --> 00:28:29.328
porque yo ya no quiero hablar 
contigo más, ¿no? 

665
00:28:29.379 --> 00:28:32.760
Así que estamos yendo a un modelo 
de desarrollo sin igual. 

666
00:28:34.450 --> 00:28:35.045
El lenguaje humano,

667
00:28:35.095 --> 00:28:38.405
como decía, es extremadamente 
difícil de modelar porque es ambiguo, 

668
00:28:38.455 --> 00:28:40.845
es jerárquico, es composicional, 
depende del contexto, 

669
00:28:40.895 --> 00:28:42.770
cambia con la pragmática 
de intención, 

670
00:28:42.890 --> 00:28:45.038
tiene dependencias muy largas 
en el discurso, 

671
00:28:45.089 --> 00:28:47.910
no es complementamente explícito 
ni autocontenido. 

672
00:28:48.690 --> 00:28:50.005
¿Cuántos maldesentendidos tenemos?

673
00:28:50.055 --> 00:28:52.865
Porque no tenemos en la mente 
todo el contexto 

674
00:28:52.915 --> 00:28:54.890
con el que estamos trasladando 
un mensaje. 

675
00:28:55.290 --> 00:28:57.415
Imagina que Elena, superforfa 
del fútbol, 

676
00:28:57.465 --> 00:29:00.930
me dice "Oye, Laura, a 
las ocho te vienes". 

677
00:29:01.200 --> 00:29:03.755
Porque a las 8 hay un partido y yo 
no sé que a las 8 hay fútbol, 

678
00:29:03.805 --> 00:29:04.695
pero a las 8 ¿qué pasa?

679
00:29:04.745 --> 00:29:05.935
Y dice, sí hombre, hoy es el día.

680
00:29:05.985 --> 00:29:07.127
Digo, pero ¿hoy qué pasa?

681
00:29:07.260 --> 00:29:09.775
Entonces hablamos muchísimas veces 
con información que tenemos 

682
00:29:09.825 --> 00:29:12.000
y no es explícita, es 
muy muy difícil. 

683
00:29:12.660 --> 00:29:14.715
Así que el lenguaje no es 
un sistema lineal, 

684
00:29:14.765 --> 00:29:16.595
es un sistema altamente relacional

685
00:29:16.645 --> 00:29:19.395
y esto lo hacen tremendamente bien 
los modelos de lenguaje 

686
00:29:19.445 --> 00:29:22.855
y por eso replican también 
esa manera que tenemos 

687
00:29:22.905 --> 00:29:24.324
de comunicarnos actualmente.

688
00:29:25.120 --> 00:29:26.540
Os he traído aquí a Chomsky,

689
00:29:27.590 --> 00:29:30.055
Yo le sigo recordando mi clase 
en tercero de carrera, 

690
00:29:30.105 --> 00:29:31.590
asignatura de sintaxis, ¿no?

691
00:29:31.810 --> 00:29:34.755
Cuando alguien de repente 
me cuenta, un profesor, 

692
00:29:34.805 --> 00:29:38.525
me cuenta que hay un lingüista 
que lo que intenta 

693
00:29:38.575 --> 00:29:41.161
es formalizar el lenguaje, algo 
que parece tan difícil. 

694
00:29:41.720 --> 00:29:43.498
De formalizar porque es muy flexible,

695
00:29:43.560 --> 00:29:45.700
es muy arbitrario, sobre 
todo en español, 

696
00:29:45.820 --> 00:29:47.575
pues podemos poner el sujeto 
o no ponerlo, 

697
00:29:47.625 --> 00:29:49.955
podemos poner el evo aquí, los 
complementos por allí, 

698
00:29:50.005 --> 00:29:53.500
es un sistema bastante aparentemente 
poco formal, 

699
00:29:53.700 --> 00:29:57.440
pero fijaos que ya hay intentos 
de formalizar el lenguaje, 

700
00:29:57.560 --> 00:29:59.475
entonces la teoría, me 
encanta, la teoría X 

701
00:29:59.525 --> 00:30:03.455
barra, cómo intenta modelar 
unas reglas para hacer 

702
00:30:03.505 --> 00:30:07.660
que el lenguaje tenga una 
estructura jerárquica, 

703
00:30:07.720 --> 00:30:11.915
y es verdad, funciona así, Tú pones 
tu teoría X barra, vas analizando 

704
00:30:11.965 --> 00:30:14.595
y siempre es la misma caja de 
dependencias, siempre es igual, 

705
00:30:14.645 --> 00:30:16.555
aunque las palabritas cambien, 
el significado cambia, 

706
00:30:16.605 --> 00:30:20.300
tu lenguaje, el estilo formal, 
el análisis formal, 

707
00:30:20.480 --> 00:30:22.400
siempre es igual, no cambia.

708
00:30:22.480 --> 00:30:24.815
Y ahí es donde se basan esos 
modelos matemáticos 

709
00:30:24.865 --> 00:30:26.960
para poder computar el lenguaje.

710
00:30:27.080 --> 00:30:30.020
Tenemos que intentar estructurar 
el lenguaje, 

711
00:30:30.100 --> 00:30:30.880
es lo principal.

712
00:30:33.120 --> 00:30:35.520
Fijaos que ahora, os he tirado 
una foto con IA, 

713
00:30:35.600 --> 00:30:37.500
esto no es de verdad, 
no es un gato real, 

714
00:30:38.710 --> 00:30:40.705
¿Qué tiene que hacer una máquina 
para poder entender? 

715
00:30:40.755 --> 00:30:42.305
Pues no sé qué ejemplo aquí poníamos,

716
00:30:42.355 --> 00:30:44.110
Yesterday's launch of a spaceship.

717
00:30:44.570 --> 00:30:47.145
Yo aquí el prompt que 
le he dado a la IA 

718
00:30:47.195 --> 00:30:49.970
es que quería una foto de 
un gato que duerme. 

719
00:30:50.290 --> 00:30:54.770
Y fijaos que lo ha hecho, ha 
entendido un gato que duerme. 

720
00:30:55.030 --> 00:30:58.585
Un gato que tiene los ojos cerrados 
y está en una cama, 

721
00:30:58.635 --> 00:30:59.797
está en un sitio mullido.

722
00:30:59.890 --> 00:31:02.145
Y es verdad que las orejas se las 
hubieran puesto un poco más 

723
00:31:02.195 --> 00:31:04.605
relajadas porque este gato no parece 
que esté durmiendo placenteramente, 

724
00:31:04.655 --> 00:31:05.890
sino que está como alerta.

725
00:31:07.040 --> 00:31:08.688
Pero lo ha hecho, ha cogido la frase,

726
00:31:08.739 --> 00:31:12.555
ha entendido que era un gato y ha 
entendido que ha realizado 

727
00:31:12.605 --> 00:31:13.635
una acción que duerme.

728
00:31:13.920 --> 00:31:15.809
¿Qué hacen por debajo 
de estas máquinas? 

729
00:31:16.940 --> 00:31:18.560
Nosotros, como lingüistas,

730
00:31:18.720 --> 00:31:21.095
no tenemos que desarrollar esos 
modelos matemáticos. 

731
00:31:21.145 --> 00:31:23.384
Nosotros los utilizamos para 
hacer cosas con él. 

732
00:31:23.434 --> 00:31:25.875
Pero sí que es verdad que es muy 
importante que entendamos 

733
00:31:25.925 --> 00:31:27.435
cómo funciona por debajo del sistema.

734
00:31:27.485 --> 00:31:28.620
Eso es muy lógico,

735
00:31:28.680 --> 00:31:30.695
a los lingüistas se nos da muy 
bien la parte lógica, 

736
00:31:30.745 --> 00:31:33.255
porque tenemos ese formalismo 
dentro, lo hemos aprendido 

737
00:31:33.305 --> 00:31:34.447
y eso nos da requete bien.

738
00:31:34.720 --> 00:31:37.395
Y se nos da también extremadamente 
bien aprender a programar, 

739
00:31:37.445 --> 00:31:38.595
aprender lenguajes nuevos.

740
00:31:38.645 --> 00:31:40.675
O sea que yo invito a 
quien tenga miedo 

741
00:31:40.725 --> 00:31:44.315
de adentrarse en este mundo de la 
computación que no lo tenga, 

742
00:31:44.365 --> 00:31:45.895
porque se nos da extremadamente bien.

743
00:31:45.945 --> 00:31:48.375
Somos muy lógicos todos, porque 
lo llevamos en la naturaleza 

744
00:31:48.425 --> 00:31:49.233
como lingüistas.

745
00:31:50.520 --> 00:31:52.375
Así que, ¿qué hacen estos 
modelos de lenguaje? 

746
00:31:52.425 --> 00:31:54.535
Lo primero que hacen es algo 
muy evidente, ¿no? 

747
00:31:54.585 --> 00:31:57.415
Se divide el texto en tokens, se 
divide en unidades mínimas. 

748
00:31:57.465 --> 00:31:58.215
Y esto también lo hacemos.

749
00:31:58.265 --> 00:31:59.215
Cuando estábamos en el cole

750
00:31:59.265 --> 00:32:02.240
y nos ponían la frase en línea, yo 
me acuerdo que me encantaba, 

751
00:32:02.300 --> 00:32:06.195
la casa de María está en el bosque.

752
00:32:06.245 --> 00:32:08.800
Ponías la, otro espacio, 
casa, otra fila, ¿no? 

753
00:32:08.880 --> 00:32:11.320
Y analizabas y dividías el 
texto por palabras. 

754
00:32:11.770 --> 00:32:13.705
Es verdad que cada lengua tiene 
su particularidad. 

755
00:32:13.755 --> 00:32:15.119
En alemán es más aglutinador.

756
00:32:15.210 --> 00:32:17.270
En español tenemos cosas como dímelo.

757
00:32:17.490 --> 00:32:18.925
Dices, ¿cuántas palabras son dímelo?

758
00:32:18.975 --> 00:32:20.290
A la tecnología le da igual.

759
00:32:20.350 --> 00:32:23.030
Dímelo es una cosa y ver 
una estructura. 

760
00:32:23.090 --> 00:32:25.145
Ya veremos después cómo 
se desarrolla eso 

761
00:32:25.195 --> 00:32:26.330
a nivel semántico.

762
00:32:26.690 --> 00:32:28.950
Así que cogemos y tokenizamos.

763
00:32:29.230 --> 00:32:32.910
Dividimos un texto en unidades 
más pequeñitas. 

764
00:32:33.990 --> 00:32:36.148
Con cada parte de las unidades 
más pequeñitas, 

765
00:32:36.198 --> 00:32:38.025
lo que se hace es que se 
hacen embeddings. 

766
00:32:38.075 --> 00:32:38.995
Lo que se hace es que.

767
00:32:39.740 --> 00:32:43.160
Se convierte ese texto 
en una coordenada. 

768
00:32:43.220 --> 00:32:45.195
Es como una coordenada, ¿sabéis?

769
00:32:45.245 --> 00:32:46.755
Las coordenadas como el Google Maps,

770
00:32:46.805 --> 00:32:48.975
cuando metes coordenadas, pues 
eso es hacer un embedding. 

771
00:32:49.025 --> 00:32:53.540
Y cada token se representa 
en el espacio. 

772
00:32:55.260 --> 00:33:00.260
Y se añade en esos embeddings en 
el orden de palabras que va, 

773
00:33:00.460 --> 00:33:05.460
porque no es lo mismo decir A ver, 
una frase que me tengo que inventar. 

774
00:33:08.040 --> 00:33:09.040
Dame la sal.

775
00:33:10.760 --> 00:33:12.215
Quiero una frase donde 
le dé la vuelta 

776
00:33:12.265 --> 00:33:13.395
y se vea como la importancia.

777
00:33:13.445 --> 00:33:14.175
Estoy pensando.

778
00:33:14.225 --> 00:33:17.060
Cuando quieras, ven.

779
00:33:19.100 --> 00:33:20.660
No, no me va a salir ninguna frase.

780
00:33:20.760 --> 00:33:21.955
Estoy pensando y ahora no me sale.

781
00:33:22.005 --> 00:33:23.280
A la IA no le pasaría esto.

782
00:33:23.660 --> 00:33:25.835
Quiero una frase que sea afirmativa,

783
00:33:25.885 --> 00:33:28.275
pero cuando le das la vuelta se ve 
como que te estoy dando urgencia, 

784
00:33:28.325 --> 00:33:29.467
que quiero que vengas ya.

785
00:33:30.400 --> 00:33:31.495
Es muy importante el 
orden de palabras 

786
00:33:31.545 --> 00:33:34.540
porque no es igual, ahora 
me saldrá después, 

787
00:33:34.640 --> 00:33:37.235
ahora cuando me salgaos la digo, no 
es igual el orden de palabras 

788
00:33:37.285 --> 00:33:41.255
porque no da la misma información 
la posición de n palabras 

789
00:33:41.305 --> 00:33:44.680
respecto a las palabras con las 
que está en su contexto. 

790
00:33:45.300 --> 00:33:47.875
Entonces, se convierte cada 
palabra en una coordenada 

791
00:33:47.925 --> 00:33:51.360
y se añade la posición donde está.

792
00:33:51.620 --> 00:33:53.835
Sobre todo también es muy importante 
para la parte de la traducción 

793
00:33:53.885 --> 00:33:56.075
porque es muy importante 
ver el orden original 

794
00:33:56.125 --> 00:33:58.035
de la frase donde está, porque 
no es lo mismo, 

795
00:33:58.085 --> 00:33:59.782
no hice otra frase que 
no me va a salir. 

796
00:34:00.760 --> 00:34:03.195
Después, lo que se hace es que 
se pondera la relevancia 

797
00:34:03.245 --> 00:34:03.955
de cada palabra.

798
00:34:04.005 --> 00:34:05.795
Si os invito a hacer un 
juego, por ejemplo, 

799
00:34:05.845 --> 00:34:08.315
coged un artículo del periódico 
y quitad todas las palabras 

800
00:34:08.365 --> 00:34:10.659
que no están aportando información 
al texto. 

801
00:34:11.020 --> 00:34:12.754
Imaginaos que cojo un 
texto periodístico 

802
00:34:12.804 --> 00:34:17.280
y digo "El jugador metió 
gol en el minuto 57". 

803
00:34:18.110 --> 00:34:19.024
¿Qué podría hacer él?

804
00:34:19.075 --> 00:34:19.909
Fuera, me quedo.

805
00:34:19.990 --> 00:34:23.129
Jugador, metió, gol, minuto, 57.

806
00:34:23.490 --> 00:34:26.145
Y me he cargado muchísimas palabras 
que las necesitamos 

807
00:34:26.195 --> 00:34:28.485
a nivel sintáctico para construir 
y posicionar el texto, 

808
00:34:28.534 --> 00:34:30.870
pero no tienen información 
en cuanto a semántica. 

809
00:34:31.030 --> 00:34:35.665
Por lo mismo hacen los modelos de 
atención, que son estos modelos 

810
00:34:35.715 --> 00:34:37.155
que tienen por debajo 
la guía generativa. 

811
00:34:37.205 --> 00:34:38.335
Pondera la relevancia

812
00:34:38.385 --> 00:34:40.416
y captura las dependencias 
entre palabras. 

813
00:34:40.679 --> 00:34:43.040
¿Qué conexión hay entre 
gato y duerme? 

814
00:34:43.419 --> 00:34:45.294
Ahí sabe que gato es un ser,

815
00:34:45.345 --> 00:34:46.615
que no es el gato de herramienta.

816
00:34:46.665 --> 00:34:49.060
No está ordenado igual en el 
mapa que está creando. 

817
00:34:49.179 --> 00:34:51.274
No sabe que es una herramienta, 
sabe que es un ser viviente 

818
00:34:51.325 --> 00:34:53.243
y que tiene una posibilidad 
que es dormir. 

819
00:34:53.560 --> 00:34:56.554
Y después aplican diferentes 
capas de transformación. 

820
00:34:56.605 --> 00:34:58.095
En el paper de Google Attention is

821
00:34:58.145 --> 00:35:01.220
All You Need se explica muy bien 
cómo van estas capas. 

822
00:35:01.850 --> 00:35:03.405
Y al final, cuando tienes 
todo tu vector, 

823
00:35:03.455 --> 00:35:06.310
ya está listo el sistema para 
hacer lo que queramos, 

824
00:35:06.390 --> 00:35:08.385
para generar más texto, 
para traducir, 

825
00:35:08.435 --> 00:35:10.050
para clasificar, para lo que sea.

826
00:35:10.450 --> 00:35:11.950
Os lo he puesto aquí en ejemplos.

827
00:35:12.630 --> 00:35:15.250
Fijaos aquí si tenemos el ejemplo 
del gato duerme. 

828
00:35:15.910 --> 00:35:18.930
Si tokenizamos, aquí tenemos 
el gato duerme. 

829
00:35:19.270 --> 00:35:21.110
Y ponemos estas palabras 
en el espacio, 

830
00:35:21.350 --> 00:35:22.510
el gato duerme.

831
00:35:23.230 --> 00:35:24.830
Si yo tengo un texto más largo.

832
00:35:25.400 --> 00:35:26.575
Gato sabe que es un animal,

833
00:35:26.625 --> 00:35:28.055
está posicionado cerca 
de los animales, 

834
00:35:28.105 --> 00:35:29.895
estará posicionado también 
cerca de los felinos, 

835
00:35:29.945 --> 00:35:32.560
estará cerca del perro, pero no 
muy cerca en el espacio, 

836
00:35:32.760 --> 00:35:35.655
porque construye esta red semántica 
a través de este mapa 

837
00:35:35.705 --> 00:35:37.720
que está haciendo de las frases.

838
00:35:38.760 --> 00:35:41.780
En la capa de atención lo que hace 
es relacionar esas palabras, 

839
00:35:42.040 --> 00:35:43.975
como he dicho, pues gato y 
duermo están conectadas, 

840
00:35:44.025 --> 00:35:46.040
aquí entiende quién hace qué cosa.

841
00:35:47.060 --> 00:35:50.415
Y después lo que hacemos es, 
en esas capas neuronales 

842
00:35:50.465 --> 00:35:52.175
vamos refinando, sabe 
que a lo mejor gato 

843
00:35:52.225 --> 00:35:55.575
es uno, que dormir genera una 
sensación de bienestar, 

844
00:35:55.625 --> 00:35:58.015
va relacionando esa capa 
con otras capas 

845
00:35:58.065 --> 00:36:01.180
que tiene almacenadas, como una 
red gigantesca de palabras. 

846
00:36:01.260 --> 00:36:03.815
Imaginaos muchos nodos de palabras 
conectadas entre sí. 

847
00:36:03.865 --> 00:36:05.960
Y ya tenemos después una 
salida procesable. 

848
00:36:06.020 --> 00:36:07.375
Sabemos que en esta frase, 
por ejemplo, 

849
00:36:07.425 --> 00:36:08.622
el sentimiento es neutro.

850
00:36:09.460 --> 00:36:10.980
Podemos generar un texto, ¿no?

851
00:36:11.060 --> 00:36:12.255
El felino está durmiendo.

852
00:36:12.305 --> 00:36:13.315
Podemos generar una variante.

853
00:36:13.365 --> 00:36:15.995
No sé si habéis probado a 
reescribir en chat GPT. 

854
00:36:16.045 --> 00:36:18.415
Este correo, ponmelolo más 
formal o este correo, 

855
00:36:18.465 --> 00:36:20.435
ponmelolo más amigable, que me 
ha quedado muy serio, ¿no? 

856
00:36:20.485 --> 00:36:23.680
Pues es capaz de generar con esa 
red, ese mapa que ha hecho, 

857
00:36:23.740 --> 00:36:25.875
otras variantes porque tiene 
todas las palabras 

858
00:36:25.925 --> 00:36:28.040
conectadas entre sí y ve 
las probabilidades. 

859
00:36:28.930 --> 00:36:31.405
Luego puedo extraer datos, puedo 
extraer que de esa frase, 

860
00:36:31.455 --> 00:36:33.385
pues, gap y dormir son 
las palabras clave, 

861
00:36:33.435 --> 00:36:35.545
puedo generar imagen, podemos hacer 
lo que queramos porque ya 

862
00:36:35.595 --> 00:36:39.745
hemos conectado, ya hemos procesado 
esa palabra en una red gigantesca, 

863
00:36:39.795 --> 00:36:42.103
en unas coordenadas gigantescas 
de información. 

864
00:36:42.170 --> 00:36:43.905
Entonces, ahora mismo hemos 
puesto una frase, 

865
00:36:43.955 --> 00:36:47.930
pero mirad en los 380.000 
años que tiene el GPT, 

866
00:36:47.990 --> 00:36:50.950
fijaos el mapa tan grande que 
tiene de conexiones. 

867
00:36:52.250 --> 00:36:53.445
Si hacemos un símil,

868
00:36:53.495 --> 00:36:56.046
hasta ahora en todos los sitios 
que hemos ido hablando, 

869
00:36:57.990 --> 00:37:02.405
antes procesábamos la información 
como si fueron habitaciones oscuras 

870
00:37:02.455 --> 00:37:04.374
y pudiéramos iluminar 
una parte cada vez. 

871
00:37:05.150 --> 00:37:06.945
Yo digo, vale, voy a procesar 
esta frase, 

872
00:37:06.995 --> 00:37:09.955
pero cuando viene la siguiente 
ya se me ha olvidado, 

873
00:37:10.005 --> 00:37:12.085
ya no veo la silla, ya solo 
veo las zapatillas 

874
00:37:12.135 --> 00:37:15.054
y no puedo conectar las cosas entre 
sí porque no tengo conexión. 

875
00:37:15.510 --> 00:37:17.045
Lo que nos ha dado la guía generativa

876
00:37:17.095 --> 00:37:20.505
es que nos permite ver con 
esos nodos esa manera 

877
00:37:20.555 --> 00:37:23.808
de procesar el lenguaje que podemos 
ver todo el universo a la misma vez. 

878
00:37:24.260 --> 00:37:25.695
Y por eso tiene esa capacidad 
tan grande 

879
00:37:25.745 --> 00:37:26.940
de procesar lenguas.

880
00:37:28.480 --> 00:37:30.735
Yo creo que he trabajado antes 
de la guía generativa 

881
00:37:30.785 --> 00:37:32.555
y si la guía generativa 
era una tortura, 

882
00:37:32.605 --> 00:37:34.595
porque era muy frustrante ver 
la limitación que tenía 

883
00:37:34.645 --> 00:37:37.515
la tecnología en cuanto al lenguaje 
y ahora es que las capacidades 

884
00:37:37.565 --> 00:37:38.775
son infinitas.

885
00:37:38.825 --> 00:37:41.195
Tú eres el creativo que tienes que 
pensar qué puedo hacer yo 

886
00:37:41.245 --> 00:37:43.540
con esta herramienta.

887
00:37:43.780 --> 00:37:44.655
Así que al final

888
00:37:44.705 --> 00:37:46.975
lo que estamos haciendo los 
lingüistas no es hacer otra cosa 

889
00:37:47.025 --> 00:37:48.980
que conectar lingüística 
e informática. 

890
00:37:49.600 --> 00:37:52.095
Y tenemos que ver cómo con las 
herramientas que nos dispone 

891
00:37:52.145 --> 00:37:54.340
la tecnología podemos 
procesar, analizar, 

892
00:37:54.400 --> 00:37:57.622
comprender y si necesitamos generar, 
pues generar lenguaje humano. 

893
00:37:58.040 --> 00:38:00.555
Nosotros somos el vehículo 
por el cual conectamos 

894
00:38:00.605 --> 00:38:02.260
ambas disciplinas.

895
00:38:04.020 --> 00:38:08.205
Siempre lo digo, hay gente de 
ciencias donde hay palabritas, 

896
00:38:08.255 --> 00:38:10.415
dice, bueno, pues hay las palabritas 
y a ver qué sale. 

897
00:38:10.465 --> 00:38:13.175
Pues no, hay palabritas, nosotros 
vemos cosas estructuradas, 

898
00:38:13.225 --> 00:38:16.095
vemos contexto, vemos significados,

899
00:38:16.145 --> 00:38:18.915
vemos intenciones y vemos cómo 
particionar el lenguaje 

900
00:38:18.965 --> 00:38:23.520
para que sea una cosa estructurada 
y de donde podamos sacar datos. 

901
00:38:25.230 --> 00:38:27.935
A nivel de salidas, cuando 
dices yo soy lingüista, 

902
00:38:27.985 --> 00:38:30.305
pues puede ser soy lingüista docente,

903
00:38:30.355 --> 00:38:33.130
como muchos de vosotros 
aquí, donde enseñáis, 

904
00:38:33.230 --> 00:38:35.952
donde impartís vuestros 
conocimientos y los comunicáis. 

905
00:38:36.190 --> 00:38:41.190
Otras salidas a nivel de computación 
que tenemos en el mercado se llaman 

906
00:38:41.370 --> 00:38:43.350
Natural Language Processing 
Engineer , 

907
00:38:43.590 --> 00:38:46.868
donde hay lingüistas que desarrollan 
sistemas para procesar textos. 

908
00:38:46.930 --> 00:38:49.930
Imaginad que, a ver, voy a inventar 
un ejemplo ahora que me salga. 

909
00:38:50.530 --> 00:38:53.330
Estamos en Alta Marte.

910
00:38:54.160 --> 00:38:54.795
Voy con el ejemplo,

911
00:38:54.845 --> 00:38:58.635
estamos en alta mar y 
el pescador pesca 

912
00:38:58.685 --> 00:39:00.515
y cuando llega al puerto 
dice pues mira esto 

913
00:39:00.565 --> 00:39:02.540
es todo lo que he pescado 
y le da un papelito. 

914
00:39:02.930 --> 00:39:04.194
Y apunta él, tiquitiquití.

915
00:39:04.244 --> 00:39:05.119
Y el del porto dice,

916
00:39:05.190 --> 00:39:06.225
pues, ¿qué hago con este papelito?

917
00:39:06.275 --> 00:39:08.245
Porque tendremos que hacer 
algo con este papelito. 

918
00:39:08.295 --> 00:39:09.045
Pues, por ejemplo,

919
00:39:09.095 --> 00:39:11.970
podemos crear un sistema para 
procesar ese lenguaje escrito, 

920
00:39:12.190 --> 00:39:14.765
lo computamos, lo pasamos 
a una máquina 

921
00:39:14.815 --> 00:39:16.870
digitalmente, se llama 
sistemas de OCR, 

922
00:39:17.030 --> 00:39:19.005
y después con eso podemos registrar 
una base de datos 

923
00:39:19.055 --> 00:39:21.565
de lo que se pesca todos los días 
y puedo sacar una media de, 

924
00:39:21.615 --> 00:39:22.705
pues, de enero a febrero,

925
00:39:22.755 --> 00:39:24.605
lo que más se pesca son, me 
lo invento, boquerones, 

926
00:39:24.655 --> 00:39:28.890
y la media de este barco son, no 
sé, 300.000 kilos anualmente. 

927
00:39:29.740 --> 00:39:32.275
Ya hemos creado un sistema 
donde tenemos lenguaje 

928
00:39:32.325 --> 00:39:35.875
en un papel, mojado, además, ahí, 
y donde lo tengo digitalizado 

929
00:39:35.925 --> 00:39:38.260
y hago estadística, por ejemplo, 
con esos datos, 

930
00:39:38.420 --> 00:39:39.860
para poder prever, no sé,

931
00:39:39.920 --> 00:39:42.395
por la capacidad que tiene el 
puerto de almacenar pescado 

932
00:39:42.445 --> 00:39:44.640
una vez que lleguen los 
barcos de pescar. 

933
00:39:45.120 --> 00:39:46.287
Y ya resulta un problema.

934
00:39:47.440 --> 00:39:49.840
Y esto es una de las salidas.

935
00:39:50.450 --> 00:39:52.061
¿Salidas qué más hay en el mercado?

936
00:39:52.250 --> 00:39:54.525
Especialistas en inteligencia 
artificial conversacional, 

937
00:39:54.575 --> 00:39:56.765
como estamos hablando de cuando 
llamamos a una empresa 

938
00:39:56.815 --> 00:39:58.010
y se pone una máquina.

939
00:39:58.450 --> 00:40:01.710
Deseamos asistentes para 
dialogar con personas, 

940
00:40:01.790 --> 00:40:03.512
interacción entre humano y máquina.

941
00:40:04.530 --> 00:40:07.890
Luego también, en mi caso, hacemos 
análisis del discurso. 

942
00:40:07.950 --> 00:40:10.265
Estoy todo el día haciendo análisis 
del discurso y poco en práctica 

943
00:40:10.315 --> 00:40:12.145
todo lo que he estudiado 
en carrera y máster. 

944
00:40:12.195 --> 00:40:14.405
Análisis de conversaciones para 
la toma de decisiones. 

945
00:40:14.455 --> 00:40:15.041
¿Qué ocurre?

946
00:40:15.650 --> 00:40:17.039
Ahora os he puesto un ejemplo.

947
00:40:17.190 --> 00:40:19.205
De repente me dicen y 
responsable, oye, 

948
00:40:19.255 --> 00:40:20.725
que las llamadas han subido un 20%.

949
00:40:20.775 --> 00:40:22.694
A ver, averigua por qué, 
qué está pasando. 

950
00:40:23.050 --> 00:40:25.205
Pues coge las llamadas, las agita, 
las estructura y dice, 

951
00:40:25.255 --> 00:40:26.345
pues mira, es que esto está pasando,

952
00:40:26.395 --> 00:40:27.481
esto, esto, esto y esto.

953
00:40:28.110 --> 00:40:30.499
Pues análisis de conversaciones 
para hacer cosas. 

954
00:40:30.860 --> 00:40:33.720
Y luego también están 
los LLM Engineers, 

955
00:40:34.000 --> 00:40:35.500
que son de Large Language Model,

956
00:40:35.580 --> 00:40:37.895
que son estos modelos de 
inteligencia artificial generativa 

957
00:40:37.945 --> 00:40:39.595
que estamos hablando, 
que lo que hacen 

958
00:40:39.645 --> 00:40:43.195
es que adaptan estos modelos también 
para resolver tareas. 

959
00:40:43.245 --> 00:40:46.415
Pues ahora tenemos que crear 
un agente autónomo 

960
00:40:46.465 --> 00:40:50.175
para que detecte en cuanto alguien 
se siente en ese ordenador 

961
00:40:50.225 --> 00:40:51.644
que enchufe automáticamente.

962
00:40:51.780 --> 00:40:52.891
Que encienda la cámara,

963
00:40:53.020 --> 00:40:56.075
vea que hay una persona que encienda 
automáticamente la reunión del Zoom, 

964
00:40:56.125 --> 00:40:58.475
que la ponga a grabar y que todas 
las presentaciones que las tiene 

965
00:40:58.525 --> 00:41:00.778
en el escritorio las ponga 
a compartir pantalla. 

966
00:41:00.840 --> 00:41:01.396
Lo invento.

967
00:41:01.540 --> 00:41:03.495
Y ya me he inventado un 
sistema automático 

968
00:41:03.545 --> 00:41:05.575
para no tener que hacer esto que 
es un cuñazo que hemos hecho 

969
00:41:05.625 --> 00:41:06.489
al principio, ¿no?

970
00:41:06.620 --> 00:41:07.340
Por ejemplo.

971
00:41:08.870 --> 00:41:10.405
Así que fijaos todas 
las partes salidas 

972
00:41:10.455 --> 00:41:12.145
que hay en cuanto a lingüística,

973
00:41:12.195 --> 00:41:15.265
qué importantes somos y qué función 
hacemos en cuanto a la tecnología. 

974
00:41:15.315 --> 00:41:16.865
Somos nosotros los expertos 
en lenguaje 

975
00:41:16.915 --> 00:41:19.325
y qué divertido es cuando te 
juntas con un matemático, 

976
00:41:19.375 --> 00:41:21.405
con un ingeniero que tiene ese 
conocimiento matemático 

977
00:41:21.455 --> 00:41:23.070
y trabajamos juntos.

978
00:41:25.210 --> 00:41:26.785
Efectivamente hay que desarrollar 
competencias 

979
00:41:26.835 --> 00:41:30.650
porque en esta vida no se puede 
saber de todo en todo el momento. 

980
00:41:31.150 --> 00:41:33.225
Tenemos una formación muy 
sólida en lingüística 

981
00:41:33.275 --> 00:41:36.005
y tenemos que ir adquiriendo esa 
parte de computación que nos falta, 

982
00:41:36.055 --> 00:41:37.985
que no hemos podido ir desarrollando 
porque hemos estado aprendiendo 

983
00:41:38.035 --> 00:41:41.310
de lingüística durante toda 
nuestra carrera. 

984
00:41:42.070 --> 00:41:44.445
La base lingüística la tenemos, 
por supuesto, sintaxis, 

985
00:41:44.495 --> 00:41:46.985
semántica, pragmática, análisis 
de discurso, 

986
00:41:47.035 --> 00:41:49.670
todos los niveles a nivel 
de la lengua. 

987
00:41:50.350 --> 00:41:51.475
Y a nivel tecnológico,

988
00:41:51.525 --> 00:41:53.185
dependiendo un poco qué 
rama quieras hacer, 

989
00:41:53.235 --> 00:41:55.485
pues te va a tocar aprender un 
poquito de programación. 

990
00:41:55.535 --> 00:41:57.865
Siempre recomiendo empezar por 
Python porque es muy fácil, 

991
00:41:57.915 --> 00:42:00.930
es muy lógico para, en el 
caso de los lingüistas, 

992
00:42:01.110 --> 00:42:02.710
es muy flexible.

993
00:42:03.570 --> 00:42:05.965
Técnicas antiguas de procesamiento 
de lenguaje natural, 

994
00:42:06.015 --> 00:42:08.210
antiguas porque es IA 
tradicional, ¿vale? 

995
00:42:08.270 --> 00:42:10.659
Ya está la IA tradicional frente 
a la IA generativa. 

996
00:42:10.950 --> 00:42:12.305
Un poquito de Machine Learning,

997
00:42:12.355 --> 00:42:14.145
de cómo aprenden automáticamente 
los modelos, 

998
00:42:14.195 --> 00:42:16.830
cómo funcionan estos LLMs 
por debajo, ¿no? 

999
00:42:17.720 --> 00:42:19.415
Y qué conexiones hay para poder traer

1000
00:42:19.465 --> 00:42:21.440
y llevar datos, que es este 
caso de los APIs. 

1001
00:42:22.000 --> 00:42:23.815
Tenemos también esta parte 
de analítica, 

1002
00:42:23.865 --> 00:42:27.075
una parte muy fuerte de estadística, 
diseño de experimentos, 

1003
00:42:27.125 --> 00:42:29.412
qué pasa si cojo estos datos, 
cuánta muestra cojo, 

1004
00:42:29.461 --> 00:42:32.384
cosas que hacemos en los doctorandos 
cuando tenemos muestras. 

1005
00:42:32.460 --> 00:42:35.975
Ahora voy a coger muestras de un 
corpus, pero cuántas cojo 

1006
00:42:36.025 --> 00:42:39.020
para que sea representativo, qué 
hacemos a nivel de datos. 

1007
00:42:39.480 --> 00:42:41.385
Y luego, por supuesto, estrategia.

1008
00:42:41.435 --> 00:42:44.760
Una vez que tengo el dato, ¿cómo 
voy a transmitirlo? 

1009
00:42:44.840 --> 00:42:47.900
¿Qué conocimiento hay de negocio 
en los datos que yo tengo? 

1010
00:42:48.060 --> 00:42:51.045
Y mucha comunicación 
interdisciplinar, 

1011
00:42:51.095 --> 00:42:53.015
porque hablamos con muchas 
personas diferentes. 

1012
00:42:53.065 --> 00:42:55.175
Hablamos con ingenieros, hablamos 
con matemáticos, 

1013
00:42:55.225 --> 00:42:57.935
hablamos con gente de bellas artes, 
en el caso, por ejemplo, 

1014
00:42:57.985 --> 00:43:01.695
de conversacionales o gente de 
experiencia del diseño, 

1015
00:43:01.745 --> 00:43:04.800
que diseña las partes de las 
interfaces que son súper bonitas. 

1016
00:43:04.960 --> 00:43:06.375
Entonces, hay que hablar con ellos

1017
00:43:06.425 --> 00:43:08.195
porque tú, claro, tú quieres hablar 
del lenguaje y dices, 

1018
00:43:08.245 --> 00:43:11.420
ese botón no lo puedes poner ahí 
porque el texto que vamos a poner, 

1019
00:43:11.480 --> 00:43:15.300
pues a lo mejor los caracteres 
supera el ancho del botón. 

1020
00:43:15.700 --> 00:43:17.811
Entonces, hay que hablar 
con otras personas. 

1021
00:43:17.861 --> 00:43:18.455
Y es muy difícil

1022
00:43:18.505 --> 00:43:21.045
porque nosotros estamos en nuestro 
mundo de las palabras, 

1023
00:43:21.095 --> 00:43:22.645
Y entonces estás ahí analizando 
tus palabras 

1024
00:43:22.695 --> 00:43:24.725
y sabes que es muy difícil ponerte 
la piel del otro. 

1025
00:43:24.775 --> 00:43:27.405
El matemático te dice, no, porque 
eso a nivel de latencias 

1026
00:43:27.455 --> 00:43:28.410
no se puede hacer.

1027
00:43:28.490 --> 00:43:30.025
Y tú dices, pero ¿cómo nos 
va a poder hacer? 

1028
00:43:30.075 --> 00:43:32.725
Entonces tienes que buscar con 
el medio de llegar a donde 

1029
00:43:32.775 --> 00:43:35.528
tú quieres y que él también pueda 
llegar a lo que él necesita. 

1030
00:43:36.470 --> 00:43:39.865
Y os he traído para acabar ejemplos 
para poner en práctica 

1031
00:43:39.915 --> 00:43:41.730
esta parte que hacemos 
los lingüistas. 

1032
00:43:42.350 --> 00:43:45.070
De coger el lenguaje y estructurarlo.

1033
00:43:45.370 --> 00:43:46.865
Os he traído un caso de prompting,

1034
00:43:46.915 --> 00:43:49.705
porque todos lo hacemos cuando 
hablamos con la IA generativa. 

1035
00:43:49.755 --> 00:43:53.465
Esa es esa instrucción que 
tú le das a la IA 

1036
00:43:53.515 --> 00:43:56.530
cuando le vas a pedir algo, de 
haz una receta, ta, ta, ta. 

1037
00:43:56.630 --> 00:43:58.625
Entonces, sí que es verdad 
que nosotros lo hacemos 

1038
00:43:58.675 --> 00:44:03.650
como usuarios en lenguaje natural, 
Pero a nivel empresarial, 

1039
00:44:03.950 --> 00:44:06.025
a nivel productivo de datos, 
lo que tenemos que hacer 

1040
00:44:06.075 --> 00:44:09.765
es estructurar esa entrada que tiene 
para poder después analizarla 

1041
00:44:09.815 --> 00:44:12.050
y hacer analítica de datos con ella.

1042
00:44:12.830 --> 00:44:15.385
Imaginaos que tenemos un asistente 
virtual en un supermercado 

1043
00:44:15.435 --> 00:44:19.130
y lo que queremos hacer es detectar 
qué nos dice el usuario, 

1044
00:44:19.190 --> 00:44:21.450
qué intención tiene y la 
queremos clasificar. 

1045
00:44:23.090 --> 00:44:26.515
Le da unas categorías libres, 
consultar horario, 

1046
00:44:26.565 --> 00:44:29.110
buscar productos, consultar 
precios, etcétera. 

1047
00:44:29.720 --> 00:44:32.235
Y lo que le decimos a la IA 
después es que nos dé 

1048
00:44:32.285 --> 00:44:33.515
una salida que esté estructurada.

1049
00:44:33.565 --> 00:44:35.815
Generalmente utilizamos este 
formato, se llama JSON, 

1050
00:44:35.865 --> 00:44:38.375
porque lo que hace es partir 
el lenguaje en trocitos 

1051
00:44:38.425 --> 00:44:40.480
y después podemos recontar 
y ver qué ocurre. 

1052
00:44:41.020 --> 00:44:43.755
Imaginad que alguien dice, ¿tenéis 
leche sin lactosa 

1053
00:44:43.805 --> 00:44:44.558
y cuánto cuesta?

1054
00:44:44.680 --> 00:44:46.958
Pues aquí la intención sería 
buscar un producto. 

1055
00:44:47.120 --> 00:44:49.395
Hay otra intención secundaria,

1056
00:44:49.445 --> 00:44:51.309
otro motivo, que es consultar 
el precio. 

1057
00:44:51.750 --> 00:44:54.410
Y a nivel de entidades, de cosas 
que están en la frase, 

1058
00:44:54.550 --> 00:44:56.070
pues tenemos leche sin lactosa.

1059
00:44:56.150 --> 00:44:58.039
No nos ha dicho marca 
y tampoco cantidad. 

1060
00:44:58.450 --> 00:45:00.585
Pero fijaos que ya he 
partido esa frase 

1061
00:45:00.635 --> 00:45:04.830
que parece sin estructura alguna, 
de tener leche sin lactosa, 

1062
00:45:05.620 --> 00:45:06.355
¿Y cuánto cuesta?

1063
00:45:06.405 --> 00:45:07.144
Ya la he partido.

1064
00:45:07.194 --> 00:45:09.935
Ya podría hacer un recuento de 
cuántas veces en este asistente 

1065
00:45:09.985 --> 00:45:12.415
me están pidiendo leche sin lactosa, 
porque a lo mejor estoy pidiendo, 

1066
00:45:12.465 --> 00:45:15.835
me invento, 20 unidades a la semana 
y es que me están demandando 

1067
00:45:15.885 --> 00:45:16.413
muchas más.

1068
00:45:16.463 --> 00:45:19.900
Voy a cambiar, voy a pedir 
más a mi proveedor, ¿no? 

1069
00:45:19.960 --> 00:45:21.335
Voy a hacer estadística de datos.

1070
00:45:21.385 --> 00:45:22.820
Y fijaos cómo ya la he partido.

1071
00:45:24.320 --> 00:45:27.000
Y otro caso sería el caso 
que se ha puesto, ¿no? 

1072
00:45:27.620 --> 00:45:28.490
Vienen y nos dicen,

1073
00:45:28.540 --> 00:45:30.775
oye, mira, que es que las llamadas 
están aumentando un montón, 

1074
00:45:30.825 --> 00:45:32.075
pero ¿por qué está llamando 
tanto la gente? 

1075
00:45:32.125 --> 00:45:33.340
¿Es que ha ocurrido algo?

1076
00:45:34.000 --> 00:45:34.833
Entonces aquí es.

1077
00:45:35.450 --> 00:45:37.894
Misma fase que hacemos cuando 
observamos lenguaje. 

1078
00:45:38.190 --> 00:45:42.170
Ya se ha detectado el incremento, 
vamos a mirar en qué servicios, 

1079
00:45:42.370 --> 00:45:44.950
qué motivos, en qué periodos 
de mayor crecimiento, 

1080
00:45:45.010 --> 00:45:46.485
porque a lo mejor han sido 
los últimos 15 días, 

1081
00:45:46.535 --> 00:45:49.621
pero el que lo está mirando tiene 
sensación de que ha sido mucho más. 

1082
00:45:49.830 --> 00:45:52.590
Vamos a analizar llamadas, 
conversaciones de WhatsApp. 

1083
00:45:53.610 --> 00:45:56.930
Conversaciones de web, vamos a 
analizar todo lo que tenemos, 

1084
00:45:57.030 --> 00:45:59.563
las podemos clasificar, podemos 
detectar problemas, 

1085
00:45:59.613 --> 00:46:01.565
sentimiento, como hemos visto 
en el programa anterior, 

1086
00:46:01.615 --> 00:46:04.805
partimos el lenguaje en trocitos 
y vemos frecuencia de cosas 

1087
00:46:04.855 --> 00:46:06.497
que ocurren, qué patrones tenemos.

1088
00:46:06.830 --> 00:46:09.165
Pues no sé, podemos ver que 
entre las 8 y las 9 

1089
00:46:09.215 --> 00:46:10.745
es cuando más pico de 
llamadas tenemos. 

1090
00:46:10.795 --> 00:46:13.885
Y de repente podemos detectar 
que en el supermercado 

1091
00:46:13.935 --> 00:46:17.310
es que todos los días el que tiene 
que abrir llega tarde 15 minutos. 

1092
00:46:17.490 --> 00:46:19.405
Entonces, claro, la gente llama 
para preguntar el horario. 

1093
00:46:19.455 --> 00:46:20.105
Me lo invento, ¿eh?

1094
00:46:20.155 --> 00:46:21.310
Todos casos inventados.

1095
00:46:22.260 --> 00:46:23.375
Así que podemos identificar

1096
00:46:23.425 --> 00:46:26.025
qué patrones ocurren para 
generar esas acciones, 

1097
00:46:26.075 --> 00:46:27.615
porque nosotros somos 
dueños del dato. 

1098
00:46:27.665 --> 00:46:29.735
Como lingüistas, hemos analizado 
el lenguaje, 

1099
00:46:29.785 --> 00:46:31.760
lo hemos troceado, lo 
hemos fragmentado, 

1100
00:46:31.860 --> 00:46:34.655
lo hemos hecho estructurado y 
tenemos el poder de saber 

1101
00:46:34.705 --> 00:46:37.800
qué está pasando en esas millones 
y millones de conversaciones. 

1102
00:46:38.540 --> 00:46:40.495
Al final, es lo que hacemos 
con la lengua. 

1103
00:46:40.545 --> 00:46:44.500
La observamos, la analizamos, la 
estructuramos y generamos datos. 

1104
00:46:45.610 --> 00:46:49.905
Así que a todos los lingüistas que 
estáis pensando en esta parte 

1105
00:46:49.955 --> 00:46:52.070
de la computación os animo, 
es muy divertido, 

1106
00:46:52.150 --> 00:46:56.570
es como la parte más práctica, 
por decirlo así, 

1107
00:46:56.750 --> 00:46:59.545
dentro de la lingüística, 
estamos todo el rato 

1108
00:46:59.595 --> 00:47:01.005
resolviendo problemas en 
plan, a ver qué pasa, 

1109
00:47:01.055 --> 00:47:02.197
a ver cómo lo arreglamos.

1110
00:47:02.590 --> 00:47:05.085
Esa parte menos descriptiva, que 
es lo que dije al principio 

1111
00:47:05.135 --> 00:47:06.385
de la comunicación que 
me faltaba a mí 

1112
00:47:06.435 --> 00:47:08.305
cuando estudiaba sintax y digo, sí, 
yo hago todas las teorías, 

1113
00:47:08.355 --> 00:47:09.785
yo hago todos los análisis 
de equiparra, 

1114
00:47:09.835 --> 00:47:10.810
pero ¿y esto para qué?

1115
00:47:11.150 --> 00:47:12.610
Yo ya sé hacerlo, ya me encanta.

1116
00:47:12.790 --> 00:47:13.734
¿Y qué hago con esto?

1117
00:47:13.870 --> 00:47:18.870
Pues esta es la parte práctica de 
la parte de la lingüística. 

1118
00:47:19.070 --> 00:47:20.625
Así que, bueno, os he dejado 
aquí mi LinkedIn. 

1119
00:47:20.675 --> 00:47:23.165
Si alguien tiene alguna pregunta 
a nivel más personal, 

1120
00:47:23.215 --> 00:47:25.390
pues os invito a que me escribáis.

1121
00:47:25.690 --> 00:47:28.870
Y esto es lo que tenemos.

1122
00:47:29.570 --> 00:47:30.181
Lingüistas.

1123
00:47:37.520 --> 00:47:40.111
Bueno, creo que no os ha defraudado 
cuando la anunciaba, 

1124
00:47:40.160 --> 00:47:42.735
es una excelente comunicadora 
como os había dicho 

1125
00:47:42.785 --> 00:47:47.760
y hace efectivamente que nos parezca 
apasionante y divertidísimo 

1126
00:47:48.060 --> 00:47:51.075
dedicarnos a lo que se dedica a ella.

1127
00:47:51.125 --> 00:47:53.655
Así que espero que muchos de 
nuestros estudiantes estén ya pensando 

1128
00:47:53.705 --> 00:47:55.680
en seguir sus pasos.

1129
00:47:56.270 --> 00:48:01.270
Tenemos unos 10 minutos o 8 minutos 
para dudas, comentarios. 

1130
00:48:04.010 --> 00:48:07.725
Tenemos también, invito a los que 
están conectados en línea 

1131
00:48:07.775 --> 00:48:11.630
a que pongan preguntas si tienen.

1132
00:48:11.870 --> 00:48:15.230
De momento vamos a empezar con la 
gente que está en la sala, 

1133
00:48:15.330 --> 00:48:16.730
si tienen alguna duda.

1134
00:48:17.630 --> 00:48:19.785
Bueno, pues en primer lugar, 
muchísimas gracias. 

1135
00:48:19.835 --> 00:48:21.585
Ya te había escuchado 
en otra ocasión, 

1136
00:48:21.635 --> 00:48:25.090
pero empecé a corroborar.

1137
00:48:25.830 --> 00:48:28.170
La impresión y lo veo fácil.

1138
00:48:28.250 --> 00:48:30.417
Parece todo facilísimo cuando 
te incorporas. 

1139
00:48:30.910 --> 00:48:32.045
Lo que te diría antes

1140
00:48:32.095 --> 00:48:36.190
es que sepas que te vas a ver 
que no es tan fácil. 

1141
00:48:36.990 --> 00:48:38.950
He dado simplemente un comentario.

1142
00:48:39.650 --> 00:48:40.485
Es verdad

1143
00:48:40.535 --> 00:48:45.510
que el poder de comunicación del 
asistente conversacional 

1144
00:48:47.310 --> 00:48:49.670
que nos enseña es absolutamente 
espectacular. 

1145
00:48:50.130 --> 00:48:52.765
Quería contar una anécdota porque 
es que me he estado recordando 

1146
00:48:52.815 --> 00:48:54.012
cuando estabas hablando.

1147
00:48:54.410 --> 00:48:57.045
El otro día estaba generando 
unas imágenes con ese GPT 

1148
00:48:57.095 --> 00:49:00.710
para una conferencia y tal,

1149
00:49:00.770 --> 00:49:04.730
y de repente, yo no sé dónde 
vi, que empezó a hablarme. 

1150
00:49:05.770 --> 00:49:08.430
Porque yo estaba hablando en 
alto, además estaba sola, 

1151
00:49:08.530 --> 00:49:11.185
y decía, Noria, pero ahora 
esto está muy recargado, 

1152
00:49:11.235 --> 00:49:14.150
y de repente, ah, sí, tiene razón, 
está muy recargado. 

1153
00:49:14.250 --> 00:49:17.290
Y yo, ¿quién está hablando?

1154
00:49:17.810 --> 00:49:20.445
Yo estaba con GPT, pero no.

1155
00:49:20.495 --> 00:49:22.045
Estás reflexionando a ti misma de.

1156
00:49:22.095 --> 00:49:23.570
Es espectacular.

1157
00:49:24.330 --> 00:49:26.745
Pero de máquina, y es que 
parece que tenía 

1158
00:49:26.795 --> 00:49:28.437
un perro que le puso 
un señor al lado. 

1159
00:49:29.830 --> 00:49:32.225
Yo también te acuerdo, le quité 
la voz inmediatamente 

1160
00:49:32.275 --> 00:49:34.690
y dije, yo todavía no estoy 
preparada para eso, 

1161
00:49:34.810 --> 00:49:37.830
necesito meditar y escribir.

1162
00:49:37.890 --> 00:49:40.505
Sí, porque antes, justo 
abajo de una máquina, 

1163
00:49:40.555 --> 00:49:44.035
tú sabías las reglas del juego, 
yo hablo, ella se calla, 

1164
00:49:44.085 --> 00:49:46.325
pero ahora con la inteligencia 
biogenerativa 

1165
00:49:46.375 --> 00:49:48.485
estás como si estuvieras justo 
con un señor al lado. 

1166
00:49:48.535 --> 00:49:49.770
Sí, claro que sí.

1167
00:49:50.110 --> 00:49:51.430
¿Pero cómo te quito la voz?

1168
00:49:51.590 --> 00:49:53.812
Digo, yo prefiero seguir 
como estábamos antes. 

1169
00:49:53.890 --> 00:49:55.750
Sí, sí, por supuesto, 
nada, no sé qué. 

1170
00:49:56.890 --> 00:49:59.585
Sí, es alucinante, sí, 
replica muy bien 

1171
00:49:59.635 --> 00:50:02.110
las reglas que tenemos del diálogo, 
que las replican. 

1172
00:50:02.330 --> 00:50:04.970
Le puedo pisar mientras habla, 
él se calla, me espera, 

1173
00:50:05.070 --> 00:50:09.265
luego retoma, sabe lo que he dicho, 
y las dos partes, a lo mejor, 

1174
00:50:09.315 --> 00:50:11.325
pues, lo que estás diciendo, 
estás pensando 

1175
00:50:11.375 --> 00:50:13.465
en alto y vuelves y dices, 
ah, no, ah, 

1176
00:50:13.515 --> 00:50:17.565
pero sí, entonces vuelve otra vez a 
reconectar, es alucinante como. 

1177
00:50:17.615 --> 00:50:19.690
Estuve un rato, me asusté 
tanto que luego. 

1178
00:50:21.630 --> 00:50:23.365
Sí, además tienen todavía esa cosa

1179
00:50:23.415 --> 00:50:26.385
como, siempre quiere que 
hables más y más 

1180
00:50:26.435 --> 00:50:27.785
y más, porque es un modelo 
de negocio, 

1181
00:50:27.835 --> 00:50:30.005
que tú le dices todo el rato la guía 
para que estés enganchado a la guía 

1182
00:50:30.055 --> 00:50:31.570
y estés consumiendo su guía.

1183
00:50:31.990 --> 00:50:34.005
Entonces, todo el rato nunca 
paras de hablar, 

1184
00:50:34.055 --> 00:50:35.525
porque siempre te pregunta 
algo al final, es como, 

1185
00:50:35.575 --> 00:50:36.405
¿quieres que te haga esto más?

1186
00:50:36.455 --> 00:50:39.185
Y tú dices, venga, pues vale, sí, no 
lo había pensado, pero estupendo. 

1187
00:50:39.235 --> 00:50:41.365
Y quieres esto más y es como, 
ya está, se acabó, 

1188
00:50:41.415 --> 00:50:42.779
no quiero hablar más contigo.

1189
00:50:45.250 --> 00:50:46.845
Muy bien, tenemos otra 
pregunta, Iria. 

1190
00:50:46.895 --> 00:50:50.070
Entiendo que se recoge el sonido 
de la ambiente, ¿verdad? 

1191
00:50:50.230 --> 00:50:50.715
Perfecto.

1192
00:50:50.765 --> 00:50:51.250
Iria.

1193
00:50:52.190 --> 00:50:54.785
Muchísimas gracias por aceptar 
nuestra invitación 

1194
00:50:54.835 --> 00:50:55.990
de venir aquí hoy.

1195
00:50:56.950 --> 00:50:59.245
Sabíamos que ibas a dar una 
charla interesantísima 

1196
00:50:59.295 --> 00:51:02.950
cuando lo propuso Elena, que ya 
te había visto en otro lugar, 

1197
00:51:03.050 --> 00:51:04.710
así que, bueno, no ha desfraudado.

1198
00:51:04.910 --> 00:51:05.688
Muchas gracias.

1199
00:51:06.090 --> 00:51:10.105
Yo he llegado cinco minutos tarde 
por el tema de los trenes 

1200
00:51:10.155 --> 00:51:13.770
y quizá, que ahora lo he explicado, 
pero me he echado por aquí y, bueno, 

1201
00:51:14.430 --> 00:51:17.245
Y yo creo que sería muy interesante 
para nuestros estudiantes, 

1202
00:51:17.295 --> 00:51:21.365
muchos de los cuales tenemos más 
de 100 y pico inscritos 

1203
00:51:21.415 --> 00:51:25.325
y estarán atentísimos, creo 
que sería muy interesante 

1204
00:51:25.375 --> 00:51:28.365
si les pudieras explicar brevemente 
un poco tu trayectoria, 

1205
00:51:28.415 --> 00:51:29.105
tu recorrido,

1206
00:51:29.155 --> 00:51:33.665
cómo después de estudiar una carrera 
prototípicamente de letras, 

1207
00:51:33.715 --> 00:51:37.425
has acabado en el departamento de 
estudiantes que buscas adentro 

1208
00:51:37.475 --> 00:51:39.820
de entremedios, O sea, 
cuéntanos un poco, 

1209
00:51:39.880 --> 00:51:42.655
porque eso al final también motiva 
a los estudiantes, ¿no? 

1210
00:51:42.705 --> 00:51:45.020
Ver este tipo de talleres 
interdisciplinares. 

1211
00:51:45.820 --> 00:51:47.535
Yo amante de las letras puras.

1212
00:51:47.585 --> 00:51:50.765
O sea, yo sabía que quería hacer 
filología desde lo que explicaba, 

1213
00:51:50.815 --> 00:51:53.655
desde el análisis morfológico 
que hacíamos en el coche. 

1214
00:51:53.705 --> 00:51:55.155
Y decía, a mí esto me encanta, 
no sé para qué vale, 

1215
00:51:55.205 --> 00:51:56.513
pero a mí esto que me encanta.

1216
00:51:56.860 --> 00:51:58.900
Y allá que fui a carreras 
de letras, ¿no? 

1217
00:52:00.170 --> 00:52:01.050
Hice filología,

1218
00:52:01.310 --> 00:52:03.865
después sí que es verdad que hice 
el máster de profesora 

1219
00:52:03.915 --> 00:52:05.925
porque yo decía yo no sé dónde 
voy a acabar en la vida, 

1220
00:52:05.975 --> 00:52:07.345
voy a, pues si tengo que opositar,

1221
00:52:07.395 --> 00:52:08.426
pues voy a quitármelo.

1222
00:52:08.790 --> 00:52:10.690
Es verdad que dar clase 
me gusta mucho, 

1223
00:52:10.950 --> 00:52:14.005
pero me encanta más esta parte 
de la lingüística 

1224
00:52:14.055 --> 00:52:14.930
con la que trabajo.

1225
00:52:15.570 --> 00:52:18.825
Y cuando estaba haciendo 
el máster, un profesor 

1226
00:52:18.875 --> 00:52:22.450
de la Universidad de Alcalá, 
que es donde yo estudié, 

1227
00:52:22.550 --> 00:52:25.429
conocí a un profesor de la 
Universidad Politécnica de Madrid, 

1228
00:52:25.479 --> 00:52:27.525
que se ha jubilado ahora 
recientemente, que era profesor 

1229
00:52:27.575 --> 00:52:28.939
de inteligencia artificial.

1230
00:52:29.620 --> 00:52:31.315
Este profesor de inteligencia 
artificial 

1231
00:52:31.365 --> 00:52:36.340
tenía un grupo de investigación 
de procesamiento 

1232
00:52:37.840 --> 00:52:38.825
de lenguaje natural.

1233
00:52:38.875 --> 00:52:42.600
Tenía ingenieros trabajando 
en el departamento. 

1234
00:52:43.160 --> 00:52:44.975
Como desarrollaban herramientas 
de lengua, 

1235
00:52:45.025 --> 00:52:47.655
siempre se encontraban con el 
gap de que les faltaba 

1236
00:52:47.705 --> 00:52:51.520
la parte lingüística en 
los desarrollos. 

1237
00:52:52.070 --> 00:52:53.505
Y entonces me dijo, bueno, 
Laura, vente aquí 

1238
00:52:53.555 --> 00:52:57.330
a ver cómo podemos tener 
esta sinergia, 

1239
00:52:57.410 --> 00:53:00.225
porque si estamos haciendo 
herramientas que procesan lengua, 

1240
00:53:00.275 --> 00:53:01.472
necesitamos lingüistas.

1241
00:53:01.870 --> 00:53:02.830
Por aquella época,

1242
00:53:02.930 --> 00:53:04.825
claro, todavía no había inteligencia 
artificial generativa 

1243
00:53:04.875 --> 00:53:07.128
y lo que hacíamos principalmente 
era etiquetar. 

1244
00:53:07.590 --> 00:53:09.005
Teníamos textos

1245
00:53:09.055 --> 00:53:12.690
y entonces etiquetábamos léxicamente 
para hacer correctores, 

1246
00:53:12.750 --> 00:53:14.225
para hacer etiquetadores 
morfológicos, 

1247
00:53:14.275 --> 00:53:15.417
etiquetadores léxicos.

1248
00:53:15.490 --> 00:53:17.305
Entonces, etiquetábamos 
para después hacer, 

1249
00:53:17.355 --> 00:53:20.370
en este caso, hacíamos traducción 
automática. 

1250
00:53:21.020 --> 00:53:22.615
Donde lo que hacíamos 
principalmente era, 

1251
00:53:22.665 --> 00:53:25.775
pues teníamos una frase de origen 
y generamos un grafo, 

1252
00:53:25.825 --> 00:53:28.980
hacemos una representación 
semántica sintáctica, 

1253
00:53:29.120 --> 00:53:32.120
independientemente del lenguaje, 
para poder después generar. 

1254
00:53:32.180 --> 00:53:33.935
Esto, claro, ahora lo pienso, 
ponía generativa, 

1255
00:53:33.985 --> 00:53:37.075
hubiéramos tardado media tarde, no 
todos los años que estuvimos allí 

1256
00:53:37.125 --> 00:53:37.960
desarrollando.

1257
00:53:38.440 --> 00:53:40.662
Y así es como conocí esa parte 
de la computación. 

1258
00:53:40.980 --> 00:53:43.075
Yo sí que animo a los estudiantes 
que vayan más 

1259
00:53:43.125 --> 00:53:44.735
a las facultades de ciencias

1260
00:53:44.785 --> 00:53:46.435
y que cotillen a ver 
qué están haciendo 

1261
00:53:46.485 --> 00:53:47.995
en los departamentos de inteligencia 
artificial 

1262
00:53:48.045 --> 00:53:49.964
en la rama de procesamiento 
del lenguaje. 

1263
00:53:50.490 --> 00:53:51.665
En el máster de inteligencia 
artificial 

1264
00:53:51.715 --> 00:53:55.079
hay una asignatura del máster que es 
procesamiento de lenguaje natural. 

1265
00:53:55.930 --> 00:53:56.845
Y es súper bonito

1266
00:53:56.895 --> 00:53:58.065
porque, claro, allí eres 
protagonista, 

1267
00:53:58.115 --> 00:53:59.885
porque ellos están allí, que 
saben mucha computación, 

1268
00:53:59.935 --> 00:54:02.270
y están intentando procesar lenguaje.

1269
00:54:02.510 --> 00:54:03.645
Y es apasionante, ¿no?

1270
00:54:03.695 --> 00:54:07.365
, de ver como lo que tú sabes lo 
viertes en conocimiento matemático 

1271
00:54:07.415 --> 00:54:10.890
y luego ellos hacen más que con 
esa parte del lenguaje. 

1272
00:54:13.030 --> 00:54:14.385
Y empecé así, conocí esa rama

1273
00:54:14.435 --> 00:54:16.645
y después este profesor 
fundó una empresa 

1274
00:54:16.695 --> 00:54:18.185
y me dijo, Laura, te 
tienes que venir, 

1275
00:54:18.235 --> 00:54:20.525
yo pues para allí que me fui porque 
era lo que me gustaba 

1276
00:54:20.575 --> 00:54:21.410
y así empecé.

1277
00:54:21.570 --> 00:54:23.365
Así que es verdad que cuando 
yo empecé allí 

1278
00:54:23.415 --> 00:54:28.390
por el 2010, 2010, no, 2013, no 
había salidas profesionales 

1279
00:54:28.510 --> 00:54:31.970
donde a un lingüista le enseñaran 
computación, 

1280
00:54:32.050 --> 00:54:32.790
eso no existía.

1281
00:54:33.610 --> 00:54:35.710
Actualmente hoy tenemos 
máster como este, 

1282
00:54:35.810 --> 00:54:40.225
tenemos también otras formaciones 
propias y públicas 

1283
00:54:40.275 --> 00:54:43.885
donde se enseñan los lingüistas a 
esa parte de la computación, 

1284
00:54:43.935 --> 00:54:47.905
es decir, que ya hay másteres 
profesionalizantes donde nos enseñan 

1285
00:54:47.955 --> 00:54:50.510
qué es este mundo de la inteligencia 
artificial. 

1286
00:54:51.390 --> 00:54:52.385
Así que ese es el camino, ¿no?

1287
00:54:52.435 --> 00:54:55.435
Primero hacer una formación 
sólida en lingüística, 

1288
00:54:55.485 --> 00:54:57.970
porque es nuestra base, 
mucha teoría formal, 

1289
00:54:58.250 --> 00:55:03.250
mucho formalismo, mucho Chomsky, 
mucha teoría generativa, 

1290
00:55:04.270 --> 00:55:06.885
y luego esa parte de computación.

1291
00:55:06.935 --> 00:55:09.430
Entonces yo les animo a que busquen 
un máster también. 

1292
00:55:09.810 --> 00:55:12.205
Y hay muchos cursos, o sea, Calaboy 
Clan, por ejemplo, 

1293
00:55:12.255 --> 00:55:14.665
tienen cursos de computación que 
son profesionalizantes, 

1294
00:55:14.715 --> 00:55:17.050
donde te enseñan a desarrollar, 
por ejemplo, 

1295
00:55:17.130 --> 00:55:18.574
un asistente conversacional.

1296
00:55:18.760 --> 00:55:21.435
Y de ahí lo que es muy importante es 
que cuando busquen las prácticas, 

1297
00:55:21.485 --> 00:55:23.795
que intenten buscar empresas 
que tengan departamento 

1298
00:55:23.845 --> 00:55:25.695
donde haya lingüistas ya de caja,

1299
00:55:25.745 --> 00:55:27.851
para que después en esas 
prácticas se queden, 

1300
00:55:27.900 --> 00:55:29.760
porque es la cantera que cogen.

1301
00:55:29.860 --> 00:55:32.415
O sea, normalmente hacen prácticas, 
te quedas en esa empresa 

1302
00:55:32.465 --> 00:55:34.820
y empiezas ya a aprender 
dentro de una empresa. 

1303
00:55:35.420 --> 00:55:37.275
Porque, claro, una cosa es 
la teoría que te enseñan 

1304
00:55:37.325 --> 00:55:38.355
y luego en el mundo laboral

1305
00:55:38.405 --> 00:55:40.915
los problemas que hay a nivel 
corporativo, ¿no? 

1306
00:55:40.965 --> 00:55:44.120
Tenemos esto y esto hay que 
ponerlo en práctica. 

1307
00:55:45.020 --> 00:55:46.100
Pues muchas gracias.

1308
00:55:46.340 --> 00:55:46.840
Dos.

1309
00:55:48.760 --> 00:55:51.024
Cosas muy concretas, mencionabas 
Calamoycrán, 

1310
00:55:51.074 --> 00:55:54.395
precisamente lo tenemos, aquí 
tenemos a la coordinadora 

1311
00:55:54.445 --> 00:55:58.035
de las prácticas, Elena Bárcena, 
y precisamente Calamoycrán 

1312
00:55:58.085 --> 00:56:02.255
es una de las entidades que tenemos 
con convenio para hacer las prácticas 

1313
00:56:02.305 --> 00:56:03.400
entre muchas otras.

1314
00:56:03.660 --> 00:56:05.055
O sea, que mira que ha sido.

1315
00:56:05.105 --> 00:56:06.380
Casualidad, sí.

1316
00:56:06.920 --> 00:56:10.155
Y también recordar a nuestros 
alumnos que están en casa que tenemos 

1317
00:56:10.205 --> 00:56:12.475
la asignatura de procesamiento 
del lenguaje natural, 

1318
00:56:12.525 --> 00:56:14.920
precisamente en el máster 
que va en esta línea. 

1319
00:56:15.610 --> 00:56:16.125
Y que también,

1320
00:56:16.175 --> 00:56:19.030
en ese espíritu de colaboración 
con los informáticos, 

1321
00:56:19.090 --> 00:56:21.505
nosotros trabajamos mucho 
en colaboración 

1322
00:56:21.555 --> 00:56:24.765
con la Escuela Superior de Técnicos 
Informáticos de la UNED, 

1323
00:56:24.815 --> 00:56:29.070
y precisamente, profesorado 
de esa escuela, 

1324
00:56:29.210 --> 00:56:31.135
da clase también en este máster.

1325
00:56:31.185 --> 00:56:33.445
De hecho, la Asignatura de 
Procesamiento de Lenguaje Natural, 

1326
00:56:33.495 --> 00:56:34.803
la Coordinación Cervo Peña,

1327
00:56:35.030 --> 00:56:38.925
Pues es súper importante esa 
interdisciplinaridad 

1328
00:56:38.975 --> 00:56:42.310
porque somos lingüistas y aplicados 
desde el principio, 

1329
00:56:42.450 --> 00:56:44.495
o sea, porque nosotros 
solos describimos, 

1330
00:56:44.545 --> 00:56:46.845
pero para arreglar cosas, para 
solucionar y para hacer el mundo 

1331
00:56:46.895 --> 00:56:49.290
mejor necesitamos esa 
interdisciplinaridad. 

1332
00:56:50.420 --> 00:56:53.915
Exacto, voy a ampliar yo la cuña 
publicitaria que me ha hecho ir 

1333
00:56:53.965 --> 00:56:56.095
y la cuña de nuestra secretaria 
del máster 

1334
00:56:56.145 --> 00:57:00.075
porque efectivamente desde los 
inicios con Elena Bárcena 

1335
00:57:00.125 --> 00:57:03.940
ha sido fundamental la 
interdisciplinariedad. 

1336
00:57:04.160 --> 00:57:07.295
Tenemos además de la asignatura de 
procesamiento del lenguaje natural 

1337
00:57:07.345 --> 00:57:10.775
que imparten Anselmo Peñas y 
Alberto Pérez de la ETSI 

1338
00:57:10.825 --> 00:57:13.955
informática, tenemos traducción 
automática con Timo Zirvick 

1339
00:57:14.005 --> 00:57:15.820
también de informática.

1340
00:57:16.420 --> 00:57:20.215
Y fundamental es las prácticas, 
efectivamente tenemos estudiantes 

1341
00:57:20.265 --> 00:57:22.400
haciendo prácticas en Calaimo y Cran,

1342
00:57:22.520 --> 00:57:24.815
en otras empresas, en 
Prodigioso Volcán 

1343
00:57:24.865 --> 00:57:27.955
y ya hablaremos contigo por si acaso 
podemos mandar a alguien 

1344
00:57:28.005 --> 00:57:31.140
a que aprendan de todo 
lo que haces porque. 

1345
00:57:31.440 --> 00:57:34.645
Tenemos cada vez más estudiantes, 
tenemos dos ramas. 

1346
00:57:34.695 --> 00:57:37.840
Una de las fortalezas de este 
máster es la modularidad. 

1347
00:57:38.140 --> 00:57:39.995
Entonces, tienen la vía 
investigadora, 

1348
00:57:40.045 --> 00:57:41.875
aquellos que quieren seguir 
con el doctorado, 

1349
00:57:41.925 --> 00:57:43.625
y la vía profesionalizante,

1350
00:57:43.675 --> 00:57:46.160
en la cual cursan 10 créditos 
de prácticas en empresa. 

1351
00:57:46.700 --> 00:57:51.700
Y cada vez tenemos más estudiantes 
que cursan la vía profesionalizante, 

1352
00:57:52.800 --> 00:57:53.300
lo cual.

1353
00:57:53.800 --> 00:57:56.715
Refuerza esa idea de que tenemos que 
ofrecer seminarios como este 

1354
00:57:56.765 --> 00:58:01.740
de las competencias profesionales 
de nuestros estudiantes 

1355
00:58:01.820 --> 00:58:05.140
para que aborden este mundo laboral.

1356
00:58:05.540 --> 00:58:07.560
Estamos ya casi fuera de hora,

1357
00:58:07.640 --> 00:58:10.299
pero sí que me gustaría dar voz 
a la gente que está en línea, 

1358
00:58:10.348 --> 00:58:12.420
porque he visto que había 
varias preguntas. 

1359
00:58:12.780 --> 00:58:14.835
Bueno, hay una pregunta, dice, 
¿cómo recomiendas, bueno, 

1360
00:58:14.885 --> 00:58:18.655
te felicitan todo el mundo, 
muy interesante, tal, 

1361
00:58:18.705 --> 00:58:20.256
que no vamos a poner esa razón más,

1362
00:58:20.790 --> 00:58:24.050
La pregunta, ¿cómo recomiendas 
empezar a aprender Python? 

1363
00:58:24.870 --> 00:58:27.490
¿Recomiendas alguna formación 
específica para NLP? 

1364
00:58:28.910 --> 00:58:32.230
Es muy fácil aprender Python, 
por ejemplo, con chat GPT. 

1365
00:58:32.770 --> 00:58:35.590
Te pones todos los días y le dices, 
no sé nada de Python, 

1366
00:58:35.770 --> 00:58:38.245
vamos a aprender, no sé, vamos 
a hacer una calculadora, 

1367
00:58:38.295 --> 00:58:40.505
el típico ejemplo primero, vamos 
a hacer un palíndromo, que es, 

1368
00:58:40.555 --> 00:58:42.510
coges el lenguaje y lo 
pones al revés, ¿no? 

1369
00:58:43.280 --> 00:58:45.315
Y, sobre todo, con muchos ejemplos.

1370
00:58:45.365 --> 00:58:47.440
Porque, claro, yo hablo de mi caso.

1371
00:58:47.600 --> 00:58:50.575
A mí lo que pasaba es que cuando 
empecé a aprender Python 

1372
00:58:50.625 --> 00:58:52.035
era como, ¿y esto para qué me vale?

1373
00:58:52.085 --> 00:58:53.600
¿Y esto para qué?

1374
00:58:53.660 --> 00:58:54.975
Necesitaba como ejemplos reales

1375
00:58:55.025 --> 00:58:57.955
de casos de lenguaje donde yo 
pudiera aplicar lo que me estaba enseñando. 

1376
00:58:58.005 --> 00:59:00.195
Porque sí que es verdad que, claro, 
como es muy abstracto, 

1377
00:59:00.245 --> 00:59:01.675
dices, ¿pero esto ahora para qué?

1378
00:59:01.725 --> 00:59:03.115
Cuando estás aprendiendo 
un lenguaje nuevo, 

1379
00:59:03.165 --> 00:59:04.915
me pongo yo que sé el chino y dices, 
¿y ahora para qué quiero 

1380
00:59:04.965 --> 00:59:07.615
la subordinada de repente 
si no sé ni decir hola? 

1381
00:59:07.665 --> 00:59:08.140
¿No?

1382
00:59:08.320 --> 00:59:09.695
Entonces, que es muy práctico.

1383
00:59:09.745 --> 00:59:10.935
Y, por ejemplo, con ChatGPT,

1384
00:59:10.985 --> 00:59:13.503
si no queréis pagar, yo entiendo 
los estudiantes, ¿no? 

1385
00:59:13.553 --> 00:59:14.318
¿Dónde estamos?

1386
00:59:14.480 --> 00:59:16.740
Si no, con ChatGPT es muy fácil.

1387
00:59:16.820 --> 00:59:18.695
Le dais un prompt de, oye, soy una 
persona que quiere aprender 

1388
00:59:18.745 --> 00:59:21.080
Python, no sé nada del 
principio, enséñame. 

1389
00:59:21.220 --> 00:59:22.380
Y allá que te enseña.

1390
00:59:22.540 --> 00:59:24.615
De hecho, podéis abrir, por 
ejemplo, un Google Colab, 

1391
00:59:24.665 --> 00:59:26.635
que es una herramienta para 
poder programar, 

1392
00:59:26.685 --> 00:59:29.795
y vais trasteando los que os pone, 
porque ChatGPT también programa. 

1393
00:59:29.845 --> 00:59:30.995
Entonces, tú le dices, 
vamos a hacer esto. 

1394
00:59:31.045 --> 00:59:32.355
Te da la línea de código, lo pruebas,

1395
00:59:32.405 --> 00:59:32.880
lo pegas.

1396
00:59:33.880 --> 00:59:34.860
Y vais probando.

1397
00:59:34.980 --> 00:59:37.628
Y esto es una manera muy fácil, 
barata, sencilla, en casa, 

1398
00:59:37.678 --> 00:59:38.575
y te la llevas en el bolsillo

1399
00:59:38.625 --> 00:59:40.544
y en el autobús te pones 
a aprender Python. 

1400
00:59:40.780 --> 00:59:44.695
Y luego, por supuesto, hay muchos 
cursos en diferentes sitios 

1401
00:59:44.745 --> 00:59:46.220
reglados para aprender Python.

1402
00:59:46.320 --> 00:59:48.080
Una última pregunta, María.

1403
00:59:48.780 --> 00:59:49.580
Una pregunta.

1404
00:59:49.740 --> 00:59:53.415
Dice, ¿piensas que la IAG ya habría 
dado ese salto pragmático 

1405
00:59:53.465 --> 00:59:56.615
que le faltaba en el paradigma 
simbólico, 

1406
00:59:56.665 --> 00:59:57.205
por reglas,

1407
00:59:57.255 --> 00:59:59.835
o que simplemente lo aparentan 
por ese aumento de datos 

1408
00:59:59.885 --> 01:00:00.749
de entrenamiento.

1409
01:00:01.150 --> 01:00:03.372
Gracias al aumento de la 
capacidad del cómputo. 

1410
01:00:03.450 --> 01:00:04.450
Justo, esto último.

1411
01:00:04.670 --> 01:00:08.065
Tiene tanta capacidad de cómputo 
que replica en el lenguaje 

1412
01:00:08.115 --> 01:00:09.910
de una manera excelente.

1413
01:00:10.110 --> 01:00:12.005
Es capacidad de cómputo 100%.

1414
01:00:12.055 --> 01:00:15.210
No sé si habéis visto dónde están 
almacenadas estas sillas. 

1415
01:00:16.330 --> 01:00:19.415
El sistema está muy en el día a día,

1416
01:00:19.465 --> 01:00:22.985
toda la parte de agua que necesitan 
para refrigerar 

1417
01:00:23.035 --> 01:00:24.015
todos los servidores.

1418
01:00:24.065 --> 01:00:27.535
Son centros gigantescos de 
datos de servidores 

1419
01:00:27.585 --> 01:00:29.015
donde tienen almacenada 
muchísima información 

1420
01:00:29.065 --> 01:00:32.440
y siguen almacenando porque al final 
no acaba nunca el proceso. 

1421
01:00:32.640 --> 01:00:34.555
Nosotros hablamos y le 
retroalimentamos 

1422
01:00:34.605 --> 01:00:35.795
con lo que estamos diciendo.

1423
01:00:35.845 --> 01:00:38.855
No sé si os habéis fijado ahora 
a HGPT que os da un like 

1424
01:00:38.905 --> 01:00:40.915
cuando no sé si habéis 
fijado que le dais 

1425
01:00:40.965 --> 01:00:44.035
información y información relevante 
que le estás dando 

1426
01:00:44.085 --> 01:00:45.335
la almacena de manera especial.

1427
01:00:45.385 --> 01:00:45.971
Le da un like.

1428
01:00:46.220 --> 01:00:47.295
Y la incorpora, ¿no?

1429
01:00:47.345 --> 01:00:50.635
Si le dices de repente, pues Araso, 
estoy hablando contigo 

1430
01:00:50.685 --> 01:00:54.255
y quiero que a partir de ahora le 
hables porque yo soy ingeniera, 

1431
01:00:54.305 --> 01:00:54.928
me lo invento.

1432
01:00:54.979 --> 01:00:56.495
Y entonces esa ingeniera 
le da un like 

1433
01:00:56.545 --> 01:00:59.255
y lo almacena en su conocimiento 
para que toda la información 

1434
01:00:59.305 --> 01:01:02.960
que te da a partir de ahora tenga 
esa información de caja. 

1435
01:01:03.060 --> 01:01:05.335
Es impresionante la capacidad 
de computo que tiene. 

1436
01:01:05.385 --> 01:01:07.475
Si leéis el paper, os invito,

1437
01:01:07.525 --> 01:01:10.695
de verdad es que es apasionante 
cómo han hecho 

1438
01:01:10.745 --> 01:01:11.535
ese modelo matemático.

1439
01:01:11.585 --> 01:01:12.060
O sea, es.

1440
01:01:13.150 --> 01:01:13.625
Es impresionante.

1441
01:01:13.675 --> 01:01:15.265
Hay más comentarios.

1442
01:01:15.315 --> 01:01:18.245
Vamos a hacer una cosa porque 
estamos entrando 

1443
01:01:18.295 --> 01:01:19.714
en el tiempo de Pascual Cantos.

1444
01:01:19.810 --> 01:01:21.885
Lo que podemos hacer es 
hacer copia-pega 

1445
01:01:21.935 --> 01:01:23.445
de las preguntas que han quedado

1446
01:01:23.495 --> 01:01:26.625
y seguro que Laura amablemente 
puede contestar por email 

1447
01:01:26.675 --> 01:01:27.740
y se las hacemos llegar.

1448
01:01:27.791 --> 01:01:31.145
Así que aquellos de vosotros que 
estáis conectados en línea 

1449
01:01:31.195 --> 01:01:34.770
y no ha podido ser respondida 
vuestra pregunta, 

1450
01:01:35.090 --> 01:01:38.425
por favor, ponéos en contacto con 
la organización del seminario, 

1451
01:01:38.475 --> 01:01:41.345
dejáis un email de contacto y os 
hacemos llegar las respuestas. 

1452
01:01:41.395 --> 01:01:41.981
¿De acuerdo?

1453
01:01:43.230 --> 01:01:43.845
Bueno, otra pregunta.

1454
01:01:43.895 --> 01:01:44.690
Muchas gracias.

