Perfiles de desarrollo software con inteligencia artificial
Se describen cinco perfiles de desarrollo software con inteligencia artificial, usando y creando agentes de código.
La hora de los grafos: agentes y conocimiento
Con la explosión de los agentes y sus necesidades de memoria y conocimiento, están creciendo los grafos de conocimiento.
El retorno de la representación del conocimiento
Se argumenta que la representación del conocimiento que parecía perdida en la IA, parece retornar con fuerza en aplicaciones como los agentes.
Cómo hacemos que un modelo razone (y VI): destilado
Para cerrar la serie sobre la obtención de modelos razonadores a partir de modelos de lenguaje, hablamos del destilado (‘distillation’).
Los agentes IA y la delegación cognitiva
Especulamos con la idea de que las aplicaciones basadas en LLMs, sobre todo agentes, utilicen mecanismos similares a la delegación cognitiva
Cómo hacemos que un modelo razone (V): aprendizaje por refuerzo con feedback humano (RLHF)
Describimos el aprendizaje por refuerzo con feedback humano (RLHF) como un mecanismo para convertir un modelo de lenguaje en modelo razonador.
Cómo hacemos que un modelo razone (IV): aprendizaje por refuerzo basado en recompensas verificables (RLVR)
Comentamos la estrategia de aprendizaje por refuerzo con recompensas verificables (RLVR) como forma de entrenamiento para modelos razonadores.
La adopción de la inteligencia artificial y el dilema del inteligente
Identifico un fenómeno, ‘el dilema del inteligente’ que puede retrasar la adopción de la IA por parte de personas talentosas.
Cómo hacemos que un modelo razone (III): auto-refinamiento
Presentamos la técnica de auto-refinamiento, una forma de conseguir que un gran modelo de lenguaje actúe como razonador.
Cómo hacemos que un modelo razone (II): técnicas de prompting
Presentamos dos técnicas de prompting que ayudan a que un modelo razone, aunque supongan mayor coste computacional.