Búsqueda · 24 momentos en 8 episodios
María RibesBorja TosarGastón GiribetFrancis VillatoroHéctor Socassesgos lingüísticos en modelos lenguajelenguajes menos comunes gastón giribetcorpus en castellano para modeloschatgpt en español rioplatensesesgo en experimentos chatgpt mexicanocorpus reducido para entrenamiento chatgptmodelos de lenguaje y latínmaterial didáctico en latíncorpus para enseñar latínbúsqueda en google de latínGastón GiribetChatGPTHéctor SocasEPTGoogleMaría RibesFrancis VillatoroVoynichdisco de Festolineal AChampollionMichael VentrisChildesSiri
Corpus en Castellano para modelos
Con
0:000:301:001:302:002:303:003:33
Gastón Giribet propone un método para detectar sesgos lingüísticos en modelos de lenguaje, sugiriendo el uso de lenguajes menos comunes o incluso aquellos que no están escritos.
…haciendo plantillas con los alumnos y según cómo le hago el input, pues me da la beca o no me lleva o no me lleva al sitio. Pero claro, ahí también entran, hay que decirlo, otros sesgos: que el sesgo lingüístico te lleva al sesgo también cultural y racial. Como método para ver si hay un sesgo lingüístico lo que uno tendría capaz que hacer sería algo así como usar los lenguajes menos comunes, incluso aquellos los no escritos, porque de los otros tiene mucho corpus, probablemente tiene tanto cuerpo de información en castellano como para haberse educado él solo en castellano, pero de los demás no, entonces traduce a través de él. Eso es, eso es. Mira, justo hay un artículo, perdona, que estaba leyendo ahora sobre hablándole a Chao GFT en rioplatense. Ahí hay mucho cuerpo, ahí hay mucho cuerpo para leer. Y hay muchos experimentos en rioplatense, en español rioplatense y en español mexicano estándar, y ver cómo maneja el sesgo. Yo creo que debe llegar un momento cuando el corpus se va reduciendo y se vuelve tan pequeño que empieza a competir con la cantidad de material que hay de enseñarlo en otros idiomas. Quiero decir, estoy pensando en latín, por ejemplo. Hay textos en latín, quizás no tantos, pero también hay muchos textos enseñándote latín. de diferentes idiomas. Entonces, es posible que parte de lo que sepa de latín sea de mucho corpus que hay en el que se enseña latín, ¿no? Es cierto. Y ahora cuando buscas en Google que la primera respuesta Es su Gemini, ¿no? A mí me da un poquito de rabia eso. La primera respuesta de Google es la IA. Y cuando yo le pregunto cualquier cosa lingüística, en vez de preguntarle a HGPT qué cosas tengo, todavía lo pongo en Google, Nena, dime tal; y la primera…
Significado #1 · Palabras #1
María Ribes explica cómo los grandes modelos de lenguaje como ChatGPT funcionan basándose en estadísticas y predicciones, comparándolos con la corrección automática del móvil.
Habla: María RibesSignificado #17modelo de lenguaje con millones de caracteresdatos naturalistas más complejosmétodos bayesianos en lenguajes formalesfrancis y héctor explican métodos bayesianos…hora de predecir, cuanto más bajo mejor predice Pero cuanto más alta esa perplejidad, peor te va a predecir, ¿no? Es como tu Siri o tu... ¿Cómo se llama esto? El corrector del móvil Si tú dices, hoy he, hoy he, pues lo que te venga después no va a ser perro, ¿No? Tiene que ser un verbo o una preposición. Hoy he comido, hoy he de caminar o lo que sea. Entonces, así es como funciona, pero claro, el gran modelo del lenguaje con millones de caracteres hacia atrás y hacia adelante. Así que ellos han pensado: ¿Podríamos hacer esto con datos más realistas, más complejos? Ellos lo llaman datos naturalistas, naturalistic, y no es que sean datos que estudian la naturaleza; habla de datos reales. ¿Cuál es el experimento? Primero han creado lenguajes formales artificiales con métodos bayesianos, eso ni pretendo explicar lo que es porque tenemos aquí a Francis y a Héctor que nos lo explicarían muchísimo mejor. Ahora os dejo el turno para que expliquéis lo que Es, pero primero han creado, creo que son 25.000 lenguajes formales con unas características muy matemáticas, por ejemplo de simetría, de inducción fonológica, sintáctica. O sea, el niño, el niño humano, cuando adquiere una lengua, lo que hace son, pues como…
María Ribes utiliza un ejemplo de Gastón Giribet con cartas para explicar cómo las redes neuronales aprenden reglas y patrones en el lenguaje.
Habla: María RibesSignificado #5 · Palabras #8redes neuronales aprenden reglas gastón giribetcorpus child s inglés infantilsesgos cognitivos bayesianos en red neuronalaprendizaje de lengua natural corpus child s…no sabe por qué. Pues eso es lo que hace esta red neuronal, saca esas deducciones y crea esos los sesgos; yo lo llamo sesgos cognitivos fuertes que son los priors, la distribución a priori bayesiana. Entonces aprende con estos lenguajes formales, la red de la Oral aprende las reglas, como Gastón con sus cartas. Me ha venido de vicio este ejemplo. A-B-A-B, pues vale, pues A-B-A-B, pero B-A-B-A, entonces cuando pregunto tengo que darle la vuelta, no quiero entretenerme dando ejemplos lingüísticos. ¿Y qué hacen? Lo más cool, lo más guay es que al final usan los datos naturalísticos que dicen ellos; datos naturales han cogido el corpus, el child's, que es el corpus del inglés infantil, el corpus de expresiones, vocabulario, sintaxis, gramática de los niños: lo que dicen los niños es lo que dicen los padres y se lo han metido a esta red neuronal para ver si aprende inglés. Entonces el objetivo es que con esos sesgos cognitivos, metiendo esos sesgos cognitivos bayesianos, que esta red neuronal sea capaz de aprender una lengua natural, una lengua real, cuando se la introduces sacando sus propias deducciones sin que yo le enseñe. Me explico entonces, a mí me parece muy interesante. A ver, también explican ellos insisten mucho en que no pretenden llegar a explicar cómo se está este proceso de adquisición humano. No lo pretenden llegar a explicar ni lo explican, pero sí intentar…
Francis Villatoro describe su enfoque para resolver problemas utilizando imágenes, ejemplificando con modelos de lenguaje donde la entrada se representa como una serie de imágenes que luego se transforman en tokens.
Habla: Francis VillatoroSignificado #10modelos de lenguaje como imágenestokens generados a partir de imágenesfrancis villatoro y representación visual…y nadie sabe cómo los símbolos se representan en esa imagen porque es una imagen aprendida. En el proceso de aprendizaje se aprenden las imágenes que representan de manera efectiva los símbolos y las relaciones entre símbolos. Entonces yo trabajo con esas. Imágenes y obtengo soluciones al problema que yo quiera, como en el caso de los modelos de lenguaje: pues generar el siguiente token para una registra de token. Básicamente yo represento la entrada en una serie de imágenes y genero nuevas imágenes y esas imágenes las transformo en un nuevo token y voy trabajando entonces en ese tipo de representación. No existe una representación simbólica; es decir, no existe. Un lugar donde yo pueda decir: voy a encontrar la palabra gato. Voy a encontrar la palabra perro. Lo que yo puedo, claro, yo veo el interior del algoritmo y en ciertos momentos puedo decir: pues cuando le diré como la entrada al token de la palabra gato…
María Ribes explica que un 'sesgo' lingüístico puede ser positivo, ayudando a predecir y permitiendo la comunicación entre personas.
Habla: María RibesPalabras #12sesgo lingüístico positivo ribescorpus natural childes sesgodistribución a priori humanossesgo cognitivo predicción ribes…también en lingüística hablamos de sintético en el sentido de que aglutina, ¿no? Y de que va formando clusters, o sea que se refiere a ese concepto, ya está. Y ya está, son 25.000 lenguajes formales creados con métodos bayesianos, los que le dieron a la red. Y después el corpus natural, el Childes y destiló todo ese sesgo, que la palabra sesgo está negativa, pero en este caso es buena. Este es un sesgo lingüístico bueno porque es un sesgo cognitivo que te ayuda a predecir; es esa distribución a priori que es cómo los humanos somos capaces de hablar. Que ahora mismo yo estoy aquí emitiendo unos sonidos y vosotros los estáis recibiendo, los descodificáis y volvéis a producir otros y yo los vuelvo a comprender. pues también habla, una cosa que yo os quería preguntar: como científicos soberbios, habla del MAML, el modelo agnóstico de MetaLearning que yo no le había oído esto nunca. Lo llama MAML, es que este, he olvidado decir que este artículo se basa en un trabajo…
Héctor Socas reflexiona sobre la influencia del volumen de corpus en diferentes idiomas en el funcionamiento de los modelos de lenguaje, específicamente si esto implica una 'supremacía' de un idioma sobre otros.
Habla: Héctor SocasSignificado #2 · Palabras #2corpus en inglés y otros idiomasmodelos de lenguaje adquieren corpussupremacía de un idioma por corpusembeddings como primera capaembeddings como abstracción del lenguajetokenización de conceptos en modelosred neuronal y embeddings de héctor socas…del lenguaje, puede aprender más cosas. ¿Sabemos que eso es así? Quiero decir que no sé hasta qué punto eso es información pública o que se pueda saber; yo no la he encontrado, o sea, ¿sabemos que EPT u otros modelos tienen una lengua madre que es el inglés? Pues sí, un poco asumido un poco es que hay más corpus en inglés, pero que se le echa todo corpus en un montón de idiomas como que los aprende de forma, los adquiere, como tú estabas diciendo, no aprender sino adquirir simultáneamente del corpus que recibe porque tiene libros en inglés, en español, en francés, en alemán y tal lo que pasa es que evidentemente hay un corpus mucho mayor en internet de inglés entonces no sé hasta qué punto eso puede establecer una especie de supremacía de un idioma frente a otros en su forma de funcionar. Pues sí. Pero no sé si funciona traduciendo, yo me extrañaría que eso fuera así, de hecho. No, no funciona traduciendo. Hay una primera capa que son embeddings. Pero ahora os diré una cosa. Vale, sé que hay una primera parte del modelo que son los embeddings, que todavía no es parte de la red neuronal en sí; que es una especie de abstracción del lenguaje a conceptos, que es lo que luego se tokeniza. Pero bueno, no sé, me parece una pregunta interesante, no tengo claro el asunto. Si tienes razón, tenéis razón, pero Dentro de mi campo, dentro de la lingüística, sí que bromeamos con que ChatGPT tiene lengua 1 de inglés, quizás porque sea el corpus mayoritario en inglés, pero es que el sesgo lingüístico, que es lo que estoy trabajando yo ahora, no el sesgo cultural, ni…
Gastón Giribet propone un método para detectar sesgos lingüísticos en modelos de lenguaje, sugiriendo el uso de lenguajes menos comunes o incluso aquellos que no están escritos.
Habla: Gastón GiribetSignificado #1 · Palabras #1sesgos lingüísticos en modelos lenguajelenguajes menos comunes gastón giribetcorpus en castellano para modeloschatgpt en español rioplatensesesgo en experimentos chatgpt mexicanocorpus reducido para entrenamiento chatgptmodelos de lenguaje y latínmaterial didáctico en latíncorpus para enseñar latínbúsqueda en google de latín…haciendo plantillas con los alumnos y según cómo le hago el input, pues me da la beca o no me lleva o no me lleva al sitio. Pero claro, ahí también entran, hay que decirlo, otros sesgos: que el sesgo lingüístico te lleva al sesgo también cultural y racial. Como método para ver si hay un sesgo lingüístico lo que uno tendría capaz que hacer sería algo así como usar los lenguajes menos comunes, incluso aquellos los no escritos, porque de los otros tiene mucho corpus, probablemente tiene tanto cuerpo de información en castellano como para haberse educado él solo en castellano, pero de los demás no, entonces traduce a través de él. Eso es, eso es. Mira, justo hay un artículo, perdona, que estaba leyendo ahora sobre hablándole a Chao GFT en rioplatense. Ahí hay mucho cuerpo, ahí hay mucho cuerpo para leer. Y hay muchos experimentos en rioplatense, en español rioplatense y en español mexicano estándar, y ver cómo maneja el sesgo. Yo creo que debe llegar un momento cuando el corpus se va reduciendo y se vuelve tan pequeño que empieza a competir con la cantidad de material que hay de enseñarlo en otros idiomas. Quiero decir, estoy pensando en latín, por ejemplo. Hay textos en latín, quizás no tantos, pero también hay muchos textos enseñándote latín. de diferentes idiomas. Entonces, es posible que parte de lo que sepa de latín sea de mucho corpus que hay en el que se enseña latín, ¿no? Es cierto. Y ahora cuando buscas en Google que la primera respuesta Es su Gemini, ¿no? A mí me da un poquito de rabia eso. La primera respuesta de Google es la IA. Y cuando yo le pregunto cualquier cosa lingüística, en vez de preguntarle a HGPT qué cosas tengo, todavía lo pongo en Google, Nena, dime tal; y la primera…
María Ribes explica cómo la inteligencia artificial puede ayudar a descifrar escrituras antiguas digitalizando grandes cantidades de textos para su comparación, similar al trabajo realizado con los jeroglíficos egipcios.
Habla: María RibesSignificado #11 · Palabras #7corpus para descifrar jeroglíficos egipcioschampollion y la piedra rosetacomparación de textos egipcios champolliondescifrado de escrituras antiguas con iainteligencia artificial descifrando escrituras antiguascorpus digitalizados para comparación textualvoynich como unicum lingüísticodisco de gestos como desafío a la ia…Lineal C o el A. Lineal A, pregúntale si se refiere al disco de Festo o al lineal A. Bueno, la lineal A, porque se refiere al disco de Festo. No, no sé, pero digo yo que efectivamente me parece. Si fuera, siempre hay que decir lo mismo, para poder Descifrar una escritura que no se comprende, que no se sabe qué lengua subyace ahí, hace falta un corpus; hace falta un número considerable de textos para poder comprobarlo entre sí, porque siempre pongo el ejemplo de Champollion. No descifró los jeroglíficos con la piedra roseta, o sea, la piedra roseta es bilingüe: estaba en dos escrituras egipcias y en griego, pero él consigue descifrarlo cuando comparó el texto de los jeroglíficos egipcios con otros textos egipcios. A partir de esa comparación es como cuando se puede descifrar una escritura; aparte hay que ser pues un genio como Champollion o Michael Ventris. Entonces ahora mismo sí que se está trabajando en lenguas antiguas y en escrituras antiguas con IA sobre Todo digitalizando los corpus y poniéndola ahí a trabajar esas acciones mecánicas que llevarían tantísimo tiempo para un humano, que la idea las hace en un momentito. Pero el problema, como ya os digo, es el corpus, que tiene que haber un número considerable de textos para poder compararlos. Es como el Voynich, que hemos hablado muchas veces del Voynich, como es un únicum, igual que el disco de gestos. Luego está la lineal A, la lineal B es el Griego micénico y la Lineal A es como si fuera el paso previo a la Lineal B. La Lineal B es lineal y la Lineal A tiene todavía un poco de restos pictográficos y supuestamente puede ser un estadio anterior en la evolución, pero que yo sepa todavía no se ha…
Francis Villatoro responde a una pregunta sobre la posibilidad de que las inteligencias artificiales puedan reconstruir la evolución de los lenguajes y descifrar escrituras antiguas.
Habla: Francis VillatoroPalabras #6inteligencias artificiales reconstruyen evoluciónlenguajes actuales inferir ancestrocorpus limitado descifrar escrituras antiguasfrancis villatoro y la evolución de lenguajesreconstrucción lineal a desde corpus cescrituras y lenguas relación crucialproblema voynich descifrado escrituraalfabeto griego lectura sin lengua…es como si fuera el paso previo a la Lineal B. La Lineal B es lineal y la Lineal A tiene todavía un poco de restos pictográficos y supuestamente puede ser un estadio anterior en la evolución, pero que yo sepa todavía no se ha llegado a esa epifanía, pero muy Buena pregunta, y está además ahora candente en el mundo lingüístico. Sí, quizás, no lo sé; en un futuro las inteligencias artificiales sean capaces de llevar hacia atrás la evolución de los lenguajes y entonces a partir de lenguajes actuales inferir relaciones de ancestro, de parentesco entre lenguajes y a partir de ahí inferir y descifrar de manera aproximada con un corpus muy limitado pero usando el corpus de dónde ha derivado ese lenguaje en el futuro. Es decir, si hubiera, que no lo sé, si el lineal A precede a B y B a C y hubiera corpus en C suficiente, se podría llevar hacia el B y hacia el A y reconstruir. Bueno, lo que pasa ahí primero tenemos que especificar que son lenguas, que no son tipos de lenguajes, son lenguas y el problema son las escrituras, porque si no sabemos la lengua que subyace, no puedo leer ese texto. Es como si tú no hablas griego y tienes un texto en alfabeto griego, no lo puedes leer. Es lo contrario de que tú conoces las letras griegas, sabes cómo se pronuncian y las lees, pero no sabes lo que dice entonces ese es el problema, la diferencia entre escritura y la lengua; tú tienes un texto pero no sabes qué lengua hay debajo, que es el problema del Voynich si lo que se hace, bueno lo que lo hicieron en. El siglo XIX, la filogénesis de las lenguas; eso se podría revisar quizá con la IA, pero ahí más o menos está todo ya pues investigado de dónde viene cada lengua, las relaciones que tienen, la lingüística histórica. El problema es si esas lenguas, si solo…