MÓDULO 1 · LECCIÓN 1 · 30 MIN · BÁSICO

¿Qué son los LLMs?

Fundamentos de IA Generativa — de la predicción de palabras a la decisión de negocio

Un LLM es una red neuronal entrenada para predecir la palabra siguiente en una secuencia de texto. Todo lo demás — código, resúmenes, traducción, razonamiento — emerge de repetir esa única tarea a escala masiva.

01 — Arquitectura
El pipeline completo: 3 fases
FASE 1

Pre-training

Lee miles de millones de páginas (libros, web, código) y aprende patrones estadísticos del lenguaje. Sin supervisión humana.

→
FASE 2

Fine-tuning

Se especializa con ejemplos curados y feedback humano.

SFTRLHF
→
FASE 3

Prompting

Tú das instrucciones en lenguaje natural. No entrenas nada.

Tu punto de apalancamiento → Fase 3. Las fases 1 y 2 las hacen OpenAI/Anthropic/Meta.
02 — Mecanismo interno
Self-attention: cómo conecta palabras lejanas

Frase: "El gato persiguió al ratón porque tenía hambre" — peso de atención al generar "hambre", sobre cada palabra anterior:

gato
60%
tenía
18%
porque
9%
ratón
6%
persiguió
2%

Sin self-attention, el modelo no tendría forma de saber si "tenía hambre" describe al gato o al ratón. el peso más alto va a "gato", el sujeto real

03 — Debate abierto
Capacidades emergentes: ¿salto real o espejismo de la métrica?

Con métrica discreta (todo/nada) — Wei et al. (2022):

modelo pequeño
3%
modelo mediano
6%
modelo grande
82%

Con métrica continua (parcial) — Schaeffer et al. (2023), mismo modelo:

modelo pequeño
22%
modelo mediano
48%
modelo grande
82%
Auditoría Mismos modelos, mismos datos — solo cambia cómo mides. Con "todo o nada" parece un salto brusco de capacidad. Con métrica parcial, la misma mejora es gradual. La métrica que eliges determina la historia que cuentas.
04 — Aplicación
¿Cuándo usar un LLM (y cuándo no)?
Usa LLMs cuando…
NO los uses cuando…
Hay varias respuestas válidas (redacción, brainstorming)
La respuesta debe ser 100% determinista (cálculos financieros)
Tus datos son texto/documentos (PDFs, tickets, contratos)
Tus datos son numéricos y estructurados → mejor SQL/Python
El coste de un error ocasional es bajo (borradores)
Un error puede causar daño legal/financiero sin revisión
Puedes validar el output con humanos u otro sistema
Necesitas trazabilidad exacta de cada decisión (regulación)

Razonamiento aritmético condicional

Córrelo en LM Studio (Llama 3.1 8B Instruct, Q4) y después en ChatGPT o Claude. El objetivo es auditar CÓMO llega cada uno al resultado.

Una tienda vendió esta semana:
- Producto A: 17 unidades a 12,50 € cada una
- Producto B: 23 unidades a 7,90 € cada una
- Producto C: 9 unidades a 34,00 € cada una

Política: si el importe total supera 500 €, se aplica un
8% de descuento sobre el total.

Calcula paso a paso:
1) Importe de cada producto
2) Importe total antes de descuento
3) Si aplica el descuento, y el importe final tras aplicarlo
4) El precio medio por unidad, usando el importe ANTES del
   descuento, sobre las 49 unidades vendidas en total (17+23+9)

Muestra cada paso de tu razonamiento, no solo el resultado.
  • División no exacta: ¿lo calcula bien o lo aproxima mal?
  • Condición: ¿evalúa primero si supera 500 € antes de aplicar el descuento?
  • Transparencia: ¿muestra más pasos que el modelo hosted?
05 — Antes de avanzar
Checklist de retención
SIGUIENTE → LECCIÓN 2 · TOKENS, CONTEXTO Y COSTE