Introducción a la Inteligencia Artificial
Clase 9
De Machine Learning a Agentes — qué hay realmente dentro de ChatGPT y cómo empezar a construir con ello.
Objetivos de aprendizaje
La IA no es magia: es estadística a escalaempaquetada en una API. Hoy ponemos nombre a las piezas y empezamos a usarlas como desarrolladores.
IA · ML · DL
Distinguir los tres términos y saber cuándo cada uno aplica.
Cómo piensan los LLMs
Tokens, atención, predicción de siguiente palabra y por qué alucinan.
Integrar IA
Usar las APIs de Anthropic y OpenAI desde Node.js con buenos prompts.
Agentes
Entender el ciclo razonar→actuar→observar que prepara la Clase 10.
RAG · Retrieval-Augmented Generation
El LLM no sabe nada de tu empresa. RAG resuelve estoinyectando contextorelevante en el prompt en tiempo real. Es el patrón más usado en producción.
Usuario: "¿Cuál es la política de reembolso?" │ ▼ embedding de la pregunta ┌──────────────────────────────┐ │ Vector DB (Pinecone, pgvector) │ │ → top-k documentos similares │ └──────────────────────────────┘ │ ▼ prompt + documentos LLM ──► respuesta basada en TUS datosPor qué
Más barato que fine-tuning, fácil de actualizar, citable, no expone los datos al entrenamiento del modelo.
Piezas
Embeddings (vectorización), un vector store y un orquestador que junta pregunta + contexto antes de llamar al LLM.
Cuidado
Si recuperas basura, el LLM repite basura. La calidad depende más del retrieval que del modelo.
Resumen de la Clase 9
| Concepto | Definición |
|---|---|
| Machine Learning | Sistemas que aprenden patrones a partir de datos |
| Deep Learning | ML con redes neuronales de muchas capas |
| LLM | Modelo grande de lenguaje entrenado para predecir texto |
| Transformer | Arquitectura base de todos los LLMs modernos |
| Token | Fragmento de texto que el modelo procesa como unidad |
| Prompt | Instrucción o pregunta que envías al modelo |
| Temperatura | Parámetro que controla la aleatoriedad de la salida |
| RAG | Inyectar contexto recuperado al prompt del LLM |
| Agente | Sistema de IA que planifica, usa herramientas y actúa en bucle |
Para profundizar
Recursos para construir intuición real sobre IA y LLMs. No leas todo: elige uno por categoría y empieza por ahí.
📖 Fundamentos
- • Attention Is All You Need — Vaswani et al.
- • 3Blue1Brown — serie sobre redes neuronales
- • Andrej Karpathy — Neural Networks: Zero to Hero
- • The Illustrated Transformer — Jay Alammar
💬 LLMs en práctica
- • Anthropic — Prompt Engineering Guide
- • OpenAI Cookbook
- • Prompting Guide (promptingguide.ai)
- • Karpathy — Intro to LLMs (1h vídeo)
🤖 Agentes
- • ReAct — Yao et al. (paper)
- • Anthropic — Building effective agents
- • LangChain · LangGraph · CrewAI (docs)
- • Vercel AI SDK — agents quickstart
💻 SDKs y APIs
- • docs.anthropic.com (API + tool use)
- • platform.openai.com/docs
- • ai.google.dev (Gemini)
- • ollama.com (modelos open source locales)
Material complementario
- ArtículoAttention Is All You Need (paper original)
- ArtículoThe Illustrated Transformer — Jay Alammar
- VideoAndrej Karpathy — Neural Networks: Zero to Hero
- VideoAndrej Karpathy — Intro to Large Language Models
- Video3Blue1Brown — Neural Networks (serie)
- DocsAnthropic — Prompt Engineering Guide
- ArtículoAnthropic — Building effective agents
- DocsOpenAI Cookbook
- DocsPrompting Guide (promptingguide.ai)
- ArtículoReAct: Synergizing Reasoning and Acting in LLMs (paper)
- DocsAnthropic Messages API
- DocsOpenAI Chat Completions API
- DocsLangChain JS — documentación
- DocsVercel AI SDK
- InteractivoOllama — ejecuta LLMs en tu máquina
- Interactivotiktokenizer — explora tokenización en vivo
El stack de la inteligencia artificial
Tokens, atención, prompts, temperatura, RAG, agentes. Con este vocabulario puedes leer un paper, integrar una API y discutir trade-offs con criterio. El resto es practicar.