Búsqueda · 25 momentos en 8 episodios
María RibesAlberto ApariciJuan Carlos GilIgnacio CrespoFrancis VillatoroHéctor SocasLuisa AchaerandioPushmeet Kohli · DeepMindThore Graepel · DeepMindárbol de monte carlo en alfagodecepción héctor socas alphagoredes neuronales policy value alphagodiseño humano detrás de alphagoárbol de decisiones en alphagoalphago incorpora diseño inteligentemonte carlo contribución humana alphagoconocimiento humano en modelo alphagoárbol monte carlo alpha goalpha cero superó alpha gointeligencia artificial profundidad juegosAlphaGoMonte CarloFrancis VillatoroHéctor SocasAlphaCeroMaríaárbol de Monte CarloLee SedolAlberto ApariciMaría RibesSoriaBurgosAlfagoJuan Carlos GilIgnacio CrespoAlpha GoAlpha 0ADNAlphaFold 3DeepMindFagóAlphaFoldPushmit Colley
Monte Carlo contribución humana AlphaGo
Con
0:000:301:001:302:002:303:003:33
Héctor Socas y Francis Villatoro discuten las diferencias entre AlphaGo y AlphaZero, destacando que AlphaGo incorporó elementos de diseño inteligente y conocimiento humano.
…a futuro, pero muchísimos otros problemas. Eso no es así y ese es el primer tipo de los problemas, es los que alfa cero y sus descendientes han dominado claramente y en el segundo tipo de problemas es donde empezamos a ver avances en los últimos años. Yo quería comentar una de las cosas que para mí fueron más llamativas de la entrevista y que para mí fue un poco una decepción, que es que explicaron que realmente alfago es un sistema que tiene tres componentes principales, ¿no? tiene dos redes neuronales y tiene un árbol de jugados, un árbol de Monte Carlo. Digo que para mí fue un poco una decepción porque yo pensaba en su momento cuando se hablaba de esto y en medio de todo el "hype" se decía que este era un sistema que, por primera vez desde cero, había aprendido a jugar este juego tan complejo. Entonces yo, desde cero, entendía que esto era: habían hecho una red neuronal, habían puesto a jugar partidas y había aprendido; pero en cambio no, hay algo de diseño humano detrás, o sea, un humano ha decidido que hay que tener dos redes neuronales, una la de "policy", otra la de "value", que tiene que haber un árbol, o sea, que no era simplemente crear una red muy grande y ponerla a jugar; entonces, que realmente eso es un poco por donde va. al facero Claro, ese es Alpha Zero, exactamente, que vino después y el cero viene de ahí, de empezar casi que de primeros principios. Entonces, AlphaGo no está diseñado de primeros principios, sino que hay un poco de diseño, o sea, hay diseño inteligente detrás de AlphaGo. La componente de Monte Carlo es la contribución humana, es decir, el conocimiento humano estaba básicamente en el modelo de Monte Carlo, y eso fue el gran lastre de AlphaGo, y por eso cuando eliminaron ese lastre, AlphaCero ya pudo ser mucho más potente que AlphaGo, ¿no? Pero se pensaba que era un juego tan difícil que si no ponías un árbol de Monte Carlo como se había hecho toda la vida para hacer juegos parecía como que la inteligencia artificial no iba a ser capaz de profundizar más y eso es una cosa que me gustaría ya que está aquí María y es un tema interesante. Conectarlo con el lenguaje natural de toda la vida en inteligencia artificial se ha dicho que el lenguaje natural era tan ambiguo, tan complicado. Todo el conocimiento de los filólogos sobre el lenguaje, el análisis ortosintáctico es trivial. El análisis…
Significado #1 · Palabras #1
Francis Villatoro y Juan Carlos Gil discuten sobre el enfrentamiento entre Lee Sedol y AlphaGo, explicando que un humano ya habría ganado si hubiera logrado vencer a la máquina en dos de tres partidas.
Habla: Francis VillatoroSignificado #13victoria humana contra alphagolee sedol vence a fagódeepmind parchea defecto alphagoaprendizaje jugando contra la máquina…esto la máquina no lo va a entender y va a fallar, que es que estuvo probando muchas cosas y lo logró; la máquina completamente se perdió, no se enteró de nada, de la misa a la mitad y entonces pensaron los de DeepMind, como en la quinta vuelva a hacer lo. Mismo Licedol, con que gane 2 de 3, ya el humano ha ganado la máquina porque el humano ha tenido que aprender a jugar contra la máquina y lo ha logrado y la ha vencido; entonces era fundamental que en la quinta volviera a ganar al Fagó y ganó al Fagó. Claro, y DeepMind confesó que entre la cuarta y la quinta parcheó ese defecto, muy a posterior y varios años después, así se aprende. También, bueno quería llegar con todo esto al famoso segundo juego, que es donde tiene lugar la jugada 37, de la que hablamos en la entrevista. Y de hecho lo están preguntando también en el chat, lo acabo de ver entonces, la jugada 37 es básicamente una…
Alberto Aparici explica cómo AlphaGo realizó una jugada lógica en la quinta fila para avanzar hacia el centro del tablero, aprovechando piedras previamente colocadas en la esquina inferior izquierda.
Habla: Alberto ApariciSignificado #19alfago quinta fila centro tableropiedras esquina inferior izquierda alfagojugada tablero completo go…con error; con un tablero tan vacío, nada te condena inmediatamente, pero sí que es verdad que a priori si se juega como casi todos los humanos juegan, hay jugadas que te dejan en una pequeña desventaja. Pues esa era la jugada 37 al final, lo que resultó. Es que Alfago estaba haciendo lo que es lógico con una jugada en la quinta fila, que es jugar hacia el centro; él tenía toda una serie de piedras en la esquina inferior izquierda y a la hora de desarrollarlas, esas piedras que colocó a la derecha terminaron rimando con todo aquello e hicieron una jugada de tablero completo, que son las buenas en Go. Claro, los humanos no somos buenos jugando con muchas opciones. Nos gusta más jugar en la esquina; las esquinas pues está todo mucho más claro. Alfagó en ese caso estaba jugando a tablero completo y al final esas piedras que colocó en la derecha fueron importantes para la esquina inferior izquierda, y de ahí la…
Francis Villatoro reflexiona sobre el impacto de la inteligencia artificial en la ciencia, destacando cómo AlphaGo demostró la capacidad de las máquinas para superar el conocimiento humano.
Habla: Francis VillatoroSignificado #6alphago diez años avances científicosalphafold sistemas de ia descubrimiento científicoia apoyo al descubrimiento científico ribesalphago superando conocimiento humanomovimiento 37 ciencia biologíareplicar movimiento 37 computación cuánticadescubrimientos movimiento 37 informática…Bienvenidos a nuestro podcast Coffee Break, Señal y Ruido. Hoy estamos aquí con el doctor Pushmit Colley y el doctor Tore Greppel; es un honor y un privilegio tenerlos hoy con nosotros. Les agradecemos mucho que nos acompañen. Soy María Ribes y aquí están mis colegas Alberto Aparici y Juan Carlos Gil, quienes han preparado algunas preguntas para ustedes. Pero antes de cederles la palabra, me gustaría hacerles yo una: Alphago tiene ya 10 años, desde entonces su equipo ha estado involucrado en importantes avances científicos como Alphafold y otros sistemas de IA diseñados para apoyar el descubrimiento científico. Entonces, desde su perspectiva, ¿cuál es el papel más emocionante que la IA puede desempeñar en la ciencia en este momento? Gracias por la pregunta. Creo que es un momento muy interesante en el campo de la inteligencia artificial y en el campo de la ciencia. Lo que AlphaGo inició fue esta increíble realización de que las máquinas pueden ayudarnos a ir más allá del conocimiento humano. En el movimiento 37, nos demostró que las máquinas pueden exhibir creatividad, novedades y realmente ayudarnos a pensar y obtener una mejor comprensión, no solo del juego de Go, sino que si pueden hacerlo para el juego de Go, probablemente puedan hacerlo para nuestra comprensión del mundo. Y durante los últimos 10 años más o menos hemos estado en esa misión de replicar ese movimiento 37 en muchos campos de la ciencia, en biología, en ciencia de materiales, en predicción del clima, en fusión, en computación cuántica, en matemáticas, en informática y en todos estos diferentes dominios estamos viendo que existen este tipo de descubrimientos de Movimiento 37 y por eso estamos viviendo un momento muy emocionante hoy. Veremos una aceleración dramática de la ciencia con este poderoso paradigma que AlphaGo ha desatado y estamos viviendo el legado de ese momento en particular. Muchísimas gracias, realmente muy interesante. Ahora vamos a seguir con Alberto. Sí, gracias María.…
Francis Villatoro explica cómo AlphaGo utiliza dos redes neuronales, la red de política y la red de valor, para reducir el espacio de búsqueda al imitar la capacidad humana de identificar movimientos prometedores.
Palabras #12reducción espacio búsqueda alphagoredes neuronales alphagoaguja en un pajar alphagored política imita jugadores humanosalphago reduce espacio búsqueda redes neuronalesentrenamiento red política partidas expertosmovimientos prometedores según alphago…primeros movimientos por ejemplo y luego la duración del juego es la profundidad de este árbol. Y bueno sabes eso genera una estructura combinatoria realmente enorme y si quieres jugar de forma óptima prácticamente tienes que recorrer toda esa estructura. Y entonces la gran pregunta que nuestro trabajo con AlphaGo fue capaz de responder es: ¿cómo reducir ese espacio de búsqueda? De modo que ahora, aunque seguimos buscando una aguja en un pajar, la estamos buscando en un pajar mucho más pequeño. Y todo esto se lleva a cabo con la asistencia de redes neuronales. En este escenario hay dos redes neuronales que AlphaGo empleó; a una de ellas la conocemos como la red de política y a la otra la identificamos como la red de valor. La red de políticas es la que imita la capacidad de los humanos de observar el tablero y seleccionar los movimientos que parecen más prometedores. Fue entrenada con muchísimas partidas de expertos humanos y le permite a la red neuronal decir, oh, sabes, no voy a analizar todos los movimientos posibles; solo me voy a fijar en aquellos movimientos que me saltan a la vista, que destacan, justo como lo harían para un jugador humano de Go como tú mismo y lo que eso hace es que el árbol se vuelva más estrecho porque estos son todos los movimientos, pero ahora solo estamos considerando una pequeña selección de movimientos en cada etapa y eso es muy útil. La red de valor resulta muy útil, ya que normalmente tendríamos que analizar todas las variaciones hasta el mismísimo final, porque solo entonces sabríamos si el bando negro o el blanco ha ganado la partida. Pero la red de valor nos brinda la capacidad de…
Alberto Aparici y Francis Villatoro comentan el décimo aniversario del segundo juego entre AlphaGo y Lee Sedol, un momento histórico para AlphaGo. Se dirige a ellos como 'entrenadores' de AlphaGo para preguntarles cómo se prepararon para la serie y qué esperaban del resultado.
Habla: Alberto ApariciSignificado #20 · Palabras #4búsqueda en árbol monte carloalphago contra lee sedol momento históricoentrenadores de alphago preparación serie…datos de partidas utilizando técnicas de aprendizaje automático. Y así la función principal de estas dos redes neuronales consiste en reducir significativamente el tamaño de este inmenso árbol de juego combinatorio, y luego existe otra técnica muy específica. conocida como búsqueda en árbol Monte Carlo que nos permite de una manera muy eficiente explorar y analizar las ramas restantes del árbol. Gracias, muy interesante. Así que hoy es exactamente el décimo aniversario del segundo juego, creo, de AlphaGo contra Lee Sedol y esa serie, AlphaGo contra Lee Sedol, es, podría decirse, el momento histórico para AlphaGo. Así que quería preguntarles, ustedes fueron de alguna manera los entrenadores, digamos, de Álfago Entonces, ¿cómo se prepararon para una serie de este tipo y esperaban el resultado? Que fue realmente asombroso Sí, así que la verdad es que sí requirió muchísima preparación, ¿sabes? Al principio el sistema era muy, muy, muy primitivo y no funcionaba del todo bien, aunque me ganó en mi primer día de trabajo cuando lo probé. Y luego lo fuimos desarrollando cada vez más…
Francis Villatoro pregunta a Juan Carlos Gil sobre los próximos pasos en relación con AlphaFold 3 y qué aspectos fundamentales aún quedan por resolver en el campo de la investigación biológica.
Habla: Francis VillatoroSignificado #12 · Palabras #10alphafold 3 próximos pasosinvestigación biológica aspectos fundamentalesconocimiento humano alpha go…el plegamiento de proteínas me parecía completamente intratable. Así que finalmente AlfaFold logró resolver este problema, transformando lo que había sido un gran desafío de 50 años en una nueva base fundamental para la investigación biológica. Entonces, Dr. Colley, mi pregunta es: ¿qué viene ahora con AlphaFold 3 y qué aspectos fundamentales quedan aún sin resolver en este campo? Sí, yo creo que lo que AlphaGo nos demostró es que podemos ir mucho más allá de lo que el conocimiento humano nos permite y así ser capaces de generar nuevas y muy valiosas perspectivas. Y en cierto sentido comenzamos el proyecto de AlphaFold inmediatamente después del partido de Lissedol porque aquello nos dio la confianza necesaria para explorar a fondo toda esta área. La primera iteración de AlphaFold, AlphaFold 1, fue construida como un…
Francis Villatoro reflexiona sobre la complejidad del ADN y cómo se relaciona con el desarrollo de organismos vivos y la creación de sistemas artificiales como AlphaGo.
Habla: Francis VillatoroPalabras #8adn y desarrollo organismos vivossemántica del genoma humanoalpha go sistemas artificialesembrión desarrollo cerebro humano…AlphaFault resolvió ese gran desafío, pero más ampliamente es solo un paso en nuestra comprensión de la biología; así que las proteínas son los pilares de la vida y hacen que todos los fenómenos biológicos ocurran. Pero si observamos la receta de la vida y Pensamos en nuestro ADN, en cómo podemos entender la semántica de nuestro propio ADN, en descifrar lo que realmente está codificado en todo el genoma. ¿Cómo es posible que un embrión sepa cómo desarrollarse completamente, que sea capaz de desarrollar un cerebro que pueda aprender de la misma manera que un ser humano y además crear sistemas o programas tan complejos como AlphaGo, que puede funcionar en sistemas y ordenadores que nosotros, que los humanos, desarrollamos? Entonces, ¿qué es ese fenómeno tan extraordinario que está codificado en el código genético? Es como el lenguaje más interesante que hemos aprendido a leer, pero no lo entendemos. Así que descifrar ese lenguaje de la vida es el gran desafío hacia el cual…
Ignacio Crespo responde a una pregunta sobre si esperaban que AlphaGo realizara jugadas creativas como la que se discutió anteriormente. Explica que, aunque no era algo esperado directamente, sí anticiparon que AlphaGo podría idear movimientos similares debido a las pruebas realizadas.
Significado #17 · Palabras #6jugada 37 alpha go lee sedolerror alpha go comentaristas partidacreatividad alpha go versus humanaalphago jugadas creativas pruebasarquitectura dual alphago movimiento 37entrenamiento humano alphago juego…son capaces de extraer y hacer estas predicciones asombrosas con menos capacidad de cómputo. Y ¿cuál es el límite? ¿Cuál es el límite real, el verdadero límite de cuánto más eficientes podemos llegar a serlos? Muchas gracias, Alberto. Sí, muchísimas gracias. Volvamos, si les parece, al tema de Go por un momento. No podemos terminar esto sin preguntar sobre la mítica jugada 37 que ocurrió en la segunda partida contra Lee Sedol. Esa jugada, para nuestros oyentes, fue una que los comentaristas descartaron casi por unanimidad porque fue interpretada como un error y después de eso resultó ser muy fuerte, como legendariamente fuerte. Así que mi pregunta es: ¿esperabas que AlphaGo fuera capaz de hacer algo así? ¿Y ves este tipo de creación o de creatividad como algo diferente de la creatividad humana? ¿O son solo el mismo misterio? Sí, no lo estábamos esperando directamente, pero habíamos visto mucho juego competente en nuestras pruebas y por eso esperábamos que AlphaGo pudiera idear este tipo de movimiento. pero la verdad es que AlphaGo de hecho juega de una manera bastante humana, parece humano cuando juega y la razón es por supuesto que fue entrenado con datos humanos y el milagro en cierto modo fue que logró salirse de ese entramado humano de juego convencional con el movimiento 37 y otros movimientos en la partida que tal vez pasaron desapercibidos pues creo que la razón es esta arquitectura dual, ¿sabes? Creo que Dave lo comprobó en aquel entonces y las posibilidades de que un profesional hiciera ese movimiento fueron estimadas por el sistema en una de 10.000. Así que, en cierto modo, la jugada tuvo la suerte de ser siquiera examinada por la búsqueda de Árbol…
Juan Carlos Gil reflexiona sobre la capacidad de Alpha 0, una evolución de Alpha Go, para aprender y dominar juegos de información completa tras eliminar el conocimiento humano de sus partidas.
Habla: Juan Carlos GilSignificado #7alpha 0 aprende juegos información completaeliminación conocimiento humano alpha goevolución alpha go domina juegos…todas las piezas y sabes cuáles te has comido, en Go también, en damas, pero otros juegos típicamente como el póker Hay parte de la información que está oculta a según qué jugadores y en el Street Poker también. En el Street Poker te vas a reír, pero cuando Se mencionó, justo pensé en que no era de información completa. Decía que Alpha 0, una evolución de Alpha Go, en el que se eliminaron las reglas del juego, simplemente, perdón, en el que se eliminó el conocimiento humano, partidas jugadas por los humanos, simplemente se le daban las reglas, pues fue capaz de aprender y dominar cualquier juego de información completa. En particular Goh y Ajedrez, ¿eh? Alcanzó nivel superior a Stockfish, el mejor motor de ajedrez del mundo, computacional; en una hora jugando contra sí mismo, Alfacero derrotó a Stockfish. ¿Qué iba a decir? Bueno, pues a día de hoy evoluciones de Alfacero son…
Alberto Aparici reconoce su falta de habilidad para estimar el desarrollo de una partida de Go con precisión, comparándola con la capacidad que tienen los profesionales y las IA como Alfago.
Habla: Alberto ApariciSignificado #5alfago domina el juego goárboles de evaluación alfagoia evalúa posiciones en go…va la partida, hay toda una serie de reglitas para saber más o menos cuántos puntos tienes. Bueno, asumiendo que esta zona es mía, asumiendo que esta zona es de él, no sé cuántos, y te vas haciendo una idea de cómo va el tanteo. Yo no soy muy bueno en eso. Tampoco, es otro de mis puntos débiles, digamos, pero vamos, que un profesional puede decir: "Creo que va a ganar por una piedra", blancas, y tú dices: "Vale, ok, este nivel de precisión yo no lo tengo, y Alfago sí lo tiene, obviamente, gracias a estos árboles de evaluación y tal que utilizaba una, una IA; utilizaba dos como nos han contado en la entrevista, una de ellas era para evaluar la posición, eso me dejó fascinado. Claro, porque es La gran dificultad del GO, la gran dificultad del GO es de un solo golpe de vista saber de qué te tienes que preocupar. Me tengo que preocupar de que estoy perdiendo el centro, me tengo que preocupar de que estoy perdiendo el lado; es que eso es muy…
Juan Carlos Gil comenta sobre el comportamiento estratégico de AlphaGo y AlphaCero en partidas de Go, explicando cómo estas IA priorizaban la victoria por encima de movimientos artísticos o la obtención de una piedra adicional.
Habla: Juan Carlos GilPalabras #5alphago priorizaba la victoriaalphacero ventaja media piedraestrategia alphago ganar partida…GO es de un solo golpe de vista saber de qué te tienes que preocupar. Me tengo que preocupar de que estoy perdiendo el centro, me tengo que preocupar de que estoy perdiendo el lado; es que eso es muy importante y hay otra derivada sobre eso que he oído, no. en esta entrevista que fue muy compacta, sino en otras que han hecho más extensas y es que AlphaGo jugaba a ganar. Su objetivo era ganar, no ganar por mucho, que es como intenta jugar el humano. Eso fue una evolución de AlphaGo a AlphaCero. Era tan bueno, volviendo a la partida, que se podía permitir no hacer la mejor jugada artística que posiblemente le diese acceso a una piedra más, sino que se conformaba con mantener su ventaja que él sabía que era de media piedra. Digo lo de media piedra porque al final como negras juegan primero se añade una especie de handicap que suele ser de 7 piedras y media, si recuerdo bien Alberto, que tiene ese media para que no haya empates Depende de las reglas, en reglas chinas que es como…
Juan Carlos Gil, junto con Héctor Socas, reflexiona sobre el desarrollo de AlphaGo y su capacidad para evaluar el progreso en una partida de Go. Se plantea la pregunta de por qué AlphaFold se aplicó al plegamiento de proteínas.
Habla: Juan Carlos GilSignificado #8 · Palabras #9alphago evaluación progreso partida goalfafol plegamiento proteínas criterio fundamentalimpacto humanidad alfafol problema científico…que tiene más piezas y el que tiene más o menos el centro del tablero tiene mayor densidad de piezas por el centro del tablero va ganando, salvo que veas que uno tiene el rey acorralado; hay como un par de cositas que te hacen ver quién va ganando la partida. Y claro, en Go debe ser mucho más complicado eso. Y yo creo que uno de los grandes éxitos para poder desarrollar AlphaGo fue poder desarrollar algo que te permite evaluar cuánto de bien lo estás haciendo. Pero llevando la conversación, saliendo un poco del go, que es muy interesante, pero esto es un podcast de ciencia, ¿por qué abordaron con alfafol el plegamiento de proteínas? Pues uno de los criterios fundamentales, no solo por el absurdo impacto que puede tener en la humanidad, que si queréis lo discutimos, obviamente, sino porque tenían contra qué comparar, y eso no se da en muchos problemas científicos existían decenas de miles de Proteínas cuya estructura había sido ya determinada con mucho dolor mediante técnicas que a menudo llevaban decenas de años y que estaban disponibles en una base de datos accesible, el PDB, el Protein Data Bank, donde pone la secuencia de aminoácidos y la…
Héctor Socas y Francis Villatoro discuten las diferencias entre AlphaGo y AlphaZero, destacando que AlphaGo incorporó elementos de diseño inteligente y conocimiento humano.
Habla: Héctor SocasSignificado #1 · Palabras #1árbol de monte carlo en alfagodecepción héctor socas alphagoredes neuronales policy value alphagodiseño humano detrás de alphagoárbol de decisiones en alphagoalphago incorpora diseño inteligentemonte carlo contribución humana alphagoconocimiento humano en modelo alphagoárbol monte carlo alpha goalpha cero superó alpha gointeligencia artificial profundidad juegos…a futuro, pero muchísimos otros problemas. Eso no es así y ese es el primer tipo de los problemas, es los que alfa cero y sus descendientes han dominado claramente y en el segundo tipo de problemas es donde empezamos a ver avances en los últimos años. Yo quería comentar una de las cosas que para mí fueron más llamativas de la entrevista y que para mí fue un poco una decepción, que es que explicaron que realmente alfago es un sistema que tiene tres componentes principales, ¿no? tiene dos redes neuronales y tiene un árbol de jugados, un árbol de Monte Carlo. Digo que para mí fue un poco una decepción porque yo pensaba en su momento cuando se hablaba de esto y en medio de todo el "hype" se decía que este era un sistema que, por primera vez desde cero, había aprendido a jugar este juego tan complejo. Entonces yo, desde cero, entendía que esto era: habían hecho una red neuronal, habían puesto a jugar partidas y había aprendido; pero en cambio no, hay algo de diseño humano detrás, o sea, un humano ha decidido que hay que tener dos redes neuronales, una la de "policy", otra la de "value", que tiene que haber un árbol, o sea, que no era simplemente crear una red muy grande y ponerla a jugar; entonces, que realmente eso es un poco por donde va. al facero Claro, ese es Alpha Zero, exactamente, que vino después y el cero viene de ahí, de empezar casi que de primeros principios. Entonces, AlphaGo no está diseñado de primeros principios, sino que hay un poco de diseño, o sea, hay diseño inteligente detrás de AlphaGo. La componente de Monte Carlo es la contribución humana, es decir, el conocimiento humano estaba básicamente en el modelo de Monte Carlo, y eso fue el gran lastre de AlphaGo, y por eso cuando eliminaron ese lastre, AlphaCero ya pudo ser mucho más potente que AlphaGo, ¿no? Pero se pensaba que era un juego tan difícil que si no ponías un árbol de Monte Carlo como se había hecho toda la vida para hacer juegos parecía como que la inteligencia artificial no iba a ser capaz de profundizar más y eso es una cosa que me gustaría ya que está aquí María y es un tema interesante. Conectarlo con el lenguaje natural de toda la vida en inteligencia artificial se ha dicho que el lenguaje natural era tan ambiguo, tan complicado. Todo el conocimiento de los filólogos sobre el lenguaje, el análisis ortosintáctico es trivial. El análisis…
María Ribes interrumpe la conversación sobre inteligencia artificial para hacer una broma relacionada con el árbol de Monte Carlo y su desconocimiento del lugar.
Habla: María RibesSignificado #4 · Palabras #13maria ribes broma árbol monte carlodesconocimiento árboles de monte carlonunca he estado en monte carlo…en dos o tres días decenas de millones de partidas y observa correlaciones más allá de las correlaciones que observan los humanos. Pero el punto clave es que son correlaciones triviales, que están obvias en los datos cuando los ves en toda su dimensión. ¿Te ¿Sujeto el cubata? Sí, tengo que recoger este guante. Bueno, primero tengo que decir que me ha asustado porque estaba hablando de árbol de Monte Carlo y se me ha preguntado a María: digo, yo, yo qué sé de los árboles de Monte Carlo. Nunca has estado en Monte Carlo, ¿no? Claro, exacto, solo tienes que acercarte. Sí, nunca he estado en Soria y nunca he estado en Burgos y mire qué morcilla. Bueno, como te iba, como te va diciendo, pues vale. Yo estudié cuando era más joven, muy modestamente, procesamiento de lenguaje natural. Y claro, lo que se trataba de hacer, cuando dices tú el análisis ortosintáctico, me imagino que prefieres a morfosintáctico, Morfosintáctico, sí, como le quieras llamar,…