Búsqueda · 30 momentos en 10 episodios
María RibesBorja TosarGastón GiribetFrancis VillatoroHéctor Socascorpus en inglés y otros idiomasmodelos de lenguaje adquieren corpussupremacía de un idioma por corpusembeddings como primera capaHéctor SocasEPTGastón GiribetChatGPTGoogleMaría RibesFrancis VillatoroVoynichdisco de Festolineal Asiglo XIXArgentinaPaís VascoChampollionMichael Ventris
Supremacía de un idioma por corpus
Con
0:000:301:001:302:002:303:003:33
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.
…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…
Significado #1 · Palabras #1
María Ribes afirma que todas las lenguas del planeta expresan esencialmente los mismos conceptos, aunque puedan diferir en su estructura y origen.
Habla: María RibesSignificado #12lenguas expresan conceptos universalesdiferencias estructurales entre japonés y españolswahili comparte conceptos con el españoltraducción literal limitada por familias lingüísticassubjuntivo en español francés catalán e italiano…en eso, pero eso lleva a Sapir Worf y lleva a la película de la llegada. Ahí lo dejo, pero no me voy a meter ahí, sino lo que dices tiene mucho sentido. Y bien traducido el título. Sí, tiene mucho sentido porque las lenguas humanas, todas, todas, exactamente. Todas las lenguas del planeta dicen las mismas cosas, son todas iguales. Entonces me dirás: ¿pero qué tiene que ver el japonés con el español, con el, no sé, con el swahili? Todas dicen las mismas cosas. Hay veces en las que no se puede traducir literalmente, ¿no? Eso es porque son de familias distintas. Yo tengo, nosotros tenemos; yo iba a decir yo, perdón, nosotros tenemos nuestro subjuntivo precioso en español, en francés, en catalán, en italiano. Eso es porque nosotros lo usamos mal. No, porque yo estoy acostumbrada a hablar; cuando hablo de estas cosas, hablo con gente de otros países, entonces yo represento el español. Luego hay alguien que es de Corea, alguien que es de Estados Unidos, entonces no…
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 RibesPalabras #16redes 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…
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 #1 · Palabras #1corpus en inglés y otros idiomasmodelos de lenguaje adquieren corpussupremacía de un idioma por corpusembeddings como primera capa…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…
María Ribes introduce una broma común dentro del campo de la lingüística sobre ChatGPT, sugiriendo que parece tener un 'lenguaje 1' basado en inglés debido a la gran cantidad de datos en ese idioma.
Habla: María RibesSignificado #10 · Palabras #7chatgpt lenguaje 1 ingléssesgo lingüístico estructura inglesacorpus mayoritario en inglésmaria ribes sesgo lingüístico…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 sexista, ni racial, que también lo tiene, el sesgo lingüístico siempre denosta todo lo que no sea la estructura inglesa; la estructura de la gramática lengua inglesa funciona mejor desde el inglés y cuando lo traduce, o cuando lo habla en cualquier otra lengua, por ejemplo en latín, también habla latín el CGPT. Pero no bien, no bien y habla como hablaría una persona de habla inglesa, traduciendo, ¿no? Tiene muchas más fuentes en latín, claro. ¿Cómo? Tiene muchísimas más fuentes en latín, claro, es que estadísticamente... Pero declina, declina, ¿sabes? No es que te…
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 #2sesgos 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…
Francis Villatoro explica cómo el gallego comparte una situación similar al vasco, donde históricamente eran idiomas locales con variantes dialectales que luego requirieron la creación de un idioma estandarizado para fines educativos.
Habla: Francis VillatoroPalabras #18galego vasco idioma estandarizadogallego consenso entre gallegosprofesores de lengua gallega oficialpaís vasco similar a argentina…O sea, cosas así. No es que lo hagan todos, pero tienden a cosas así. Y luego las pronunciaciones son muy diferentes también. Lo de las lenguas es una movida, que es complicado. Claro. al gallego le pasa lo mismo que al vasco, históricamente en el siglo XIX, principios del siglo XX eran idiomas extremadamente locales en pueblos, en cada pueblo hablaba un idioma dialecto o variante o como quieras llamarle, variante de idioma común y de repente cuando se convierte en comunidad autónoma y hay que formalizar la educación en gallego, hay que inventarse un gallego porque hay que inventarse un gallego de consenso entre todos los gallegos y se inventa ese idioma y entonces los profesores de lengua gallega en los 80 tuvieron que aprender gallego porque hablaban un gallego con su familia, con sus amigos completamente diferente al que tenían que enseñar pero tenían que enseñar el oficial y eso pasó también en el País Vasco Al principio en los 80 no se parecía a nada Eso pasa en Argentina también Eso pasa en Argentina En Argentina nos enseñan Yo, Tú, él, nosotros, vosotros, ellos. ¿Quién usa el tú? Qué vergüenza y el vosotros en Argentina nadie. Solamente para entender una película, pero eso pasa en todas las lenguas. Elige la variante normativa, que es la que se toma como estándar, y las demás no son…
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 RibesPalabras #15corpus 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 #13inteligencias artificiales reconstruyen evoluciónlenguajes actuales inferir ancestrocorpus limitado descifrar escrituras antiguasfrancis villatoro y la evolución de lenguajes…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…