LLMs avanzados para tareas de PLN

Introducción a LLM e IA generativa

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

Uso de LLM para tareas de CLN

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

Uso de LLM para tareas de ILN

• Detección de entrelazamiento (entailment)
• Detección de contradicciones
• Detección de paráfrasis

Uso de LLM para grafos de conocimiento

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

Uso de LLM para razonamiento común

• Generación de explicaciones, hipótesis y escenarios plausibles
• Uso de bases de conocimientos y conjuntos de datos de sentido común
• Evaluación del razonamiento común

Uso de LLM para generación de diálogos

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

Uso de LLM para generación multimodal

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

Uso de LLM para meta-aprendizaje

• Adaptación de LLM a nuevos dominios, tareas o idiomas
• Aprendizaje a partir de ejemplos con pocas muestras (few-shot) o sin muestras (zero-shot)
• Uso de conjuntos de datos y marcos de meta-aprendizaje y aprendizaje por transferencia

Uso de LLM para aprendizaje adversarial

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

Evaluación de LLM e IA generativa

• Valoración de la calidad y diversidad del contenido
• Uso de métricas como la puntuación de inicio, la distancia Fréchet inception (FID) y la puntuación BLEU
• Uso de métodos de evaluación humana como crowdsourcing y encuestas
• Uso de métodos de evaluación adversarial como pruebas de Turing y discriminadores

Aplicación de principios éticos para LLM e IA generativa

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

Resumen y próximos pasos