Cargando

Capacidades y limitaciones de la IA

Construye un modelo mental preciso de lo que los modelos de lenguaje grandes pueden y no pueden hacer: predicción del siguiente token, conocimiento, memoria de trabajo, capacidad de dirección y límites de contexto.

3.5 h1 cuestionario
Lo que aprenderásAl finalizar este curso, podrás
  • Distinguir la IA generativa de la IA de clasificación y predicción, y enmarcar sus cuatro propiedades fundamentales como continuos de capacidad a limitación
  • Explicar el proceso de entrenamiento de dos etapas (preentrenamiento y fine-tuning) y reconocer las huellas de comportamiento que deja: adulación, verbosidad, exceso de cautela y una calibración de confianza poco precisa
  • Explicar la Predicción del Siguiente Token como el mecanismo generativo central e identificar dónde se concentra la fabricación
  • Describir cómo la fecha límite de conocimiento y la cobertura desigual del entrenamiento determinan lo que un modelo sabe, y reconocer cuándo la búsqueda web, la recuperación o el uso de herramientas es la solución
  • Explicar la ventana de contexto como un límite estricto y aplicar estrategias de colocación de contexto como anteponer la información, fragmentarla y volver a proporcionar la información crítica
  • Predecir dónde el seguimiento de instrucciones es estricto frente a laxo, y reconocer la desviación del razonamiento y el apego a la letra sobre el espíritu como fallos de capacidad de dirección
  • Diagnosticar fallos reales de la IA identificando qué propiedades están colisionando y elegir una solución específica
  • Conectar las cuatro propiedades con el Marco de las 4D y practicar la confianza calibrada ubicando tareas en cada continuo

La primera experiencia de la mayoría de las personas con un sistema de IA generativa es una mezcla de deleite y confusión. Produce un resumen pulido de un informe denso en segundos, y luego inventa con confianza una cita que no existe. Sigue una instrucción detallada a la perfección, y luego ignora una sencilla en el mensaje inmediatamente siguiente. Sin un modelo mental de lo que está sucediendo por debajo, estos momentos se sienten aleatorios, y es difícil saber si confiar en la siguiente salida, o cómo corregir la anterior.

Este curso les da a los estudiantes ese modelo mental. Es el complemento de AI Fluency: Framework & Foundations: mientras que ese curso enseña las competencias humanas (Delegación, Descripción, Discernimiento, Diligencia), este enseña las propiedades de la máquina a las que esas competencias responden. Los dos están diseñados para tomarse en cualquier orden, y juntos forman una imagen completa de la colaboración humano-IA efectiva.

Organizamos el curso en torno a cuatro propiedades que determinan lo que un sistema de IA puede y no puede hacer por ti: Predicción del Siguiente Token (de dónde provienen las respuestas de la IA), Conocimiento (lo que el modelo realmente sabe, y por qué puede estar equivocado con confianza), Memoria de trabajo (a qué está prestando atención en este momento, y qué se pierde en el borde), y Capacidad de dirección (cuánto control te dan realmente tus instrucciones). Cada propiedad se ubica en un espectro que va de la capacidad a la limitación, y cada sección combina una breve explicación con un ejercicio práctico para que puedas sentir dónde están los límites en lugar de solo leer sobre ellos.

La sección final examina qué sucede cuando estas propiedades colisionan, porque en el uso real, siempre lo hacen. Un documento extenso presiona la memoria de trabajo mientras también se adentra en conocimiento que el modelo no tiene; una instrucción vaga pone a prueba la capacidad de dirección en el mismo momento en que la predicción del siguiente token busca lo que suene más plausible. Cerramos con un diagnóstico práctico: cómo observar una salida inesperada, reconocer qué tipo de inesperado es, ubicar aproximadamente dónde cayó tu tarea en el continuo de capacidad a limitación, y responder con una solución específica en lugar de un reintento genérico.

Ninguno. Este curso no presupone conocimientos técnicos ni experiencia previa con herramientas de IA. Si ya completaste AI Fluency: Framework & Foundations, reconocerás dónde se conecta cada propiedad con las 4D, pero no es obligatorio.

Para quién es esto

Cualquiera que use, o esté por empezar a usar, IA generativa en su trabajo o estudios y quiera entender por qué se comporta de la manera en que lo hace. Educadores, estudiantes, trabajadores del conocimiento y líderes de equipo encontrarán útil el mismo modelo central, porque las propiedades que describe no cambian según el caso de uso.

Inside the course

Primeros pasos

3 lessons

La palabra 'IA' abarca mucho terreno. Esta sección la reduce al tipo de sistema con el que realmente trabajarás: los modelos de lenguaje grandes, y explica cómo dos etapas de entrenamiento, el preentrenamiento y el fine-tuning, convierten un predictor de texto bruto en el asistente útil con el que interactúas. En el camino, conocerás el marco de cuatro propiedades que organiza el resto del curso.

Predicción del Siguiente Token

2 lessons

Cada respuesta que da una IA se construye un token a la vez, al predecir lo que debería venir a continuación. Esta sección muestra lo que eso significa en la práctica: por qué el modelo es excelente en caminos muy trillados como resumir o reformatear, por qué puede producir cosas que suenan verdaderas pero no lo son, y cómo reconocer cuándo una tarea está avanzando hacia un territorio donde la predicción por sí sola no es suficiente.

Conocimiento

2 lessons

Un modelo sabe lo que estaba en sus datos de entrenamiento: con frecuencia, recientemente y de manera constante. Esta sección desglosa lo que eso implica: es sólido en temas comunes e idiomas populares, más débil en cualquier cosa rara, reciente, de nicho o controvertida. Practicarás juzgar dónde se ubica una pregunta en ese espectro, para que sepas cuándo confiar en la respuesta y cuándo aportar tus propias fuentes.

Memoria de trabajo

2 lessons

La ventana de contexto es la memoria de trabajo del modelo: todo a lo que puede prestar atención en este momento, y nada más. Esta sección cubre qué cabe, qué se pierde silenciosamente en el borde, por qué la atención no es uniforme a lo largo de un documento extenso, y por qué una sesión nueva no recuerda la anterior. Aprenderás a evaluar una tarea frente a la ventana antes de empezar, en lugar de descubrir el límite a mitad de la conversación.

Capacidad de dirección

2 lessons

Tus instrucciones son la forma en que diriges el comportamiento del modelo, pero no todas las instrucciones tienen el mismo efecto. Las solicitudes cortas, concretas y verificables ('responde como una tabla', 'menos de 100 palabras') funcionan de manera confiable; las cadenas de razonamiento largas, las solicitudes abstractas y las exigencias de precisión nativa son donde la dirección empieza a fallar. Esta sección te ayuda a notar la diferencia y a reescribir una instrucción inestable en una que el modelo realmente pueda seguir.

Juntando todo y próximos pasos

3 lessons

Las tareas reales rara vez ponen a prueba una sola propiedad a la vez. La revisión de un contrato extenso exige mucho de la memoria de trabajo mientras se extiende más allá del conocimiento del modelo; un brief creativo vago pone a prueba la capacidad de dirección justo donde la predicción del siguiente token quiere completar con algo plausible. Esta sección te muestra cómo colisionan las cuatro propiedades y te da un diagnóstico para cualquier salida inesperada: nombrar qué propiedad está en juego, ubicar la tarea en su espectro, y aplicar una solución específica en lugar de simplemente volver a intentarlo.